論文の概要: Elucidating the Design Space of Flow Matching for Cellular Microscopy

• arxiv url: http://arxiv.org/abs/2603.26790v1
• Date: Wed, 25 Mar 2026 15:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.611227
• Title: Elucidating the Design Space of Flow Matching for Cellular Microscopy
• Title（参考訳）: 細胞顕微鏡のためのフローマッチング設計空間の解明
• Abstract要約: フローマッチング生成モデルは、生物の摂動に対する細胞の反応をシミュレートするためにますます使われている。 細胞顕微鏡画像におけるフローマッチングモデルの設計空間を系統的に解析する。 ファンデーションモデルをトレーニングするために使用する、シンプルで安定的でスケーラブルなレシピを開発しています。
• 参考スコア（独自算出の注目度）: 4.650661110906399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-matching generative models are increasingly used to simulate cell responses to biological perturbations. However, the design space for building such models is large and underexplored. We systematically analyse the design space of flow matching models for cell-microscopy images, finding that many popular techniques are unnecessary and can even hurt performance. We develop a simple, stable, and scalable recipe which we use to train our foundation model. We scale our model to two orders of magnitude larger than prior methods, achieving a two-fold FID and ten-fold KID improvement over prior methods. We then fine-tune our model with pre-trained molecular embeddings to achieve state-of-the-art performance simulating responses to unseen molecules. Code is available at https://github.com/valence-labs/microscopy-flow-matching
• Abstract（参考訳）: フローマッチング生成モデルは、生物の摂動に対する細胞の反応をシミュレートするためにますます使われている。 しかし、そのようなモデルを構築するための設計空間は、大きく、未調査である。 我々は,セル顕微鏡画像のフローマッチングモデルの設計空間を体系的に解析し,多くの一般的な手法が不要であり,性能を損なう可能性があることを発見した。 ファンデーションモデルをトレーニングするために使用する、シンプルで安定的でスケーラブルなレシピを開発しています。 我々は,従来の手法よりも2桁大きくスケールし,従来の手法よりも2倍のFIDと10倍のKIDの改善を実現した。 そこで我々は,未確認分子に対する応答をシミュレーションする最先端性能を実現するために,事前学習された分子埋め込みを用いてモデルに微調整を行った。 コードはhttps://github.com/valence-labs/microscopy-flow-matchingで入手できる。

関連論文リスト

• Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules [62.81692030818376]
  本稿では,モデルの生成可能な集合を拡大し,有効設計空間のカバレッジを増大させる,分散フローモデリングのための新しい学習原理を提案する。 本稿では, 検証器フィードバックを用いて, 新しい有効領域に事前学習モデルを拡張する, 継続的な事前学習手法であるアクティブフロー拡張(ActFlow)を提案する。 その結果、ActFlowは、初期訓練済みモデルによってモデル化された領域を超えて、有効な範囲を広げ、広く採用されている合成フロー事前学習法よりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2026-06-07T19:43:22Z)
• UCell: rethinking generalizability and scaling of bio-medical vision models [2.4469484645516837]
  UCellは、顕微鏡画像データのみを用いて、ゼロから訓練できることを示す。 また,ユセルの適応性についても,広範囲な単発および数発の微調整実験を行うことで検証した。
  論文  参考訳（メタデータ） (2026-03-31T21:13:20Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Generative diffusion model surrogates for mechanistic agent-based biological models [0.003897077734517544]
  CPM(Cellular-Potts Model)は、CPMを開発・尋問する強力なフレームワークである。 サロゲートモデルは複雑な生物学的システムのCPMを加速的に評価することができる。 我々は、in vitroで血管新生を調べるために使用されるCPMのAI代理分類器を訓練する。 我々の研究は、生体システムのデジタル双対を開発するためのDDPMの実装に向けた一歩である。
  論文  参考訳（メタデータ） (2025-05-01T08:19:51Z)
• Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture [0.003710987587629279]
  我々は,周期的境界条件を考慮したU-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを開発した。 我々はこのモデルを用いて,生体内血管新生の研究に用いる機械的セルラーポッツモデルの評価を高速化する。
  論文  参考訳（メタデータ） (2025-05-01T05:30:38Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations [0.0]
  本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。 我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。 本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-20T15:54:24Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。