論文の概要: WFR-FM: Simulation-Free Dynamic Unbalanced Optimal Transport
- arxiv url: http://arxiv.org/abs/2601.06810v1
- Date: Sun, 11 Jan 2026 08:48:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.007147
- Title: WFR-FM: Simulation-Free Dynamic Unbalanced Optimal Transport
- Title（参考訳）: WFR-FM:シミュレーション不要な動的不均衡最適輸送
- Authors: Qiangwei Peng, Zihan Wang, Junda Ying, Yuhao Sun, Qing Nie, Lei Zhang, Tiejun Li, Peijie Zhou,
- Abstract要約: 既存のWFRソルバは不安定で、計算コストが高く、スケールが難しいことが多い。
本稿では,WFRフローマッチング(WFR-FM)について紹介する。
実験的に、WFR-FMは単細胞生物学においてより正確で堅牢な軌道推定をもたらす。
- 参考スコア（独自算出の注目度）: 17.9375439076052
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Wasserstein-Fisher-Rao (WFR) metric extends dynamic optimal transport (OT) by coupling displacement with change of mass, providing a principled geometry for modeling unbalanced snapshot dynamics. Existing WFR solvers, however, are often unstable, computationally expensive, and difficult to scale. Here we introduce WFR Flow Matching (WFR-FM), a simulation-free training algorithm that unifies flow matching with dynamic unbalanced OT. Unlike classical flow matching which regresses only a transport vector field, WFR-FM simultaneously regresses a vector field for displacement and a scalar growth rate function for birth-death dynamics, yielding continuous flows under the WFR geometry. Theoretically, we show that minimizing the WFR-FM loss exactly recovers WFR geodesics. Empirically, WFR-FM yields more accurate and robust trajectory inference in single-cell biology, reconstructing consistent dynamics with proliferation and apoptosis, estimating time-varying growth fields, and applying to generative dynamics under imbalanced data. It outperforms state-of-the-art baselines in efficiency, stability, and reconstruction accuracy. Overall, WFR-FM establishes a unified and efficient paradigm for learning dynamical systems from unbalanced snapshots, where not only states but also mass evolve over time.
- Abstract（参考訳）: Wasserstein-Fisher-Rao(WFR)計量は、質量の変化に伴う変位を結合させることによって動的最適輸送(OT)を拡張し、不均衡なスナップショット力学をモデル化するための基本的な幾何学を提供する。
しかし、既存のWFRソルバはしばしば不安定で、計算コストが高く、スケールが難しい。
本稿では,WFRフローマッチング(WFR-FM)について紹介する。
輸送ベクトル場のみを回帰する古典的流れマッチングとは異なり、WFR-FMは変位のベクトル場と生死ダイナミクスのスカラー成長率関数を同時に回帰し、WFR幾何学の下で連続フローを生成する。
理論的には、WFR-FM損失の最小化は、WFR測地学を正確に回復させる。
実験的に、WFR-FMは単細胞生物学においてより正確で堅牢な軌道推論をもたらし、増殖とアポトーシスとの一貫性のあるダイナミクスを再構築し、時間変化の場を推定し、不均衡なデータの下で生成力学に適用する。
効率、安定性、復元精度において最先端のベースラインを上回っている。
全体として、WFR-FMは不均衡なスナップショットから力学系を学ぶための統一的で効率的なパラダイムを確立し、状態だけでなく質量も時間とともに進化する。
関連論文リスト
- WFR-MFM: One-Step Inference for Dynamic Unbalanced Optimal Transport [9.661016195647212]
任意の時間間隔における輸送と質量成長の両方のダイナミクスを要約した非平衡フローマッチングのための平均フローフレームワークを提案する。
我々は、WFR-MFM(Wasserstein-Fisher-Rao Mean Flow Matching)を開発するためのこのフレームワークをさらに構築する。
WFR-MFMは、予測精度を高く保ちながら、既存のベースラインの範囲よりも高速な推定を実現する。
論文 参考訳（メタデータ） (2026-01-28T13:41:52Z) - Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。
Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。
Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
論文 参考訳（メタデータ） (2025-10-30T16:11:39Z) - Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。
極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
論文 参考訳（メタデータ） (2025-07-02T19:33:57Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - AMR-Transformer: Enabling Efficient Long-range Interaction for Complex Neural Fluid Simulation [33.63726923336252]
本稿では,AMR-Transformerを提案する。
これは、Navier-Stokes制約を意識した高速刈取モジュールと、新しい適応メッシュリファインメントスキームを統合している。
提案手法は,ベースラインモデルよりも精度が向上する。
論文 参考訳（メタデータ） (2025-03-13T11:16:42Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。
本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
論文 参考訳（メタデータ） (2024-10-08T01:27:46Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Improving and generalizing flow-based generative models with minibatch
optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。
CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。
我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文 参考訳（メタデータ） (2023-02-01T14:47:17Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。