論文の概要: FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts

• arxiv url: http://arxiv.org/abs/2605.08648v1
• Date: Sat, 09 May 2026 03:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.792027
• Title: FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts
• Title（参考訳）: FLUX: 幾何を意識した縦流と専門家の混在
• Abstract要約: 連成輸送モデルと教師なし状態発見のための幾何認識型縦流マッチングフレームワークFLUXを紹介する。 Across manifold control, a regime-switching Lorenz system, widefield cortical calcium imaging during associative learning, and FLUX, FLUX restructing longitudinal transport while recovering interpretable regime structure。
• 参考スコア（独自算出の注目度）: 5.287641390746397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many biological systems evolve through continuous local dynamics while switching between latent regimes defined by learning, stimulus context, internal state, or developmental stage. These processes are often observed only as unpaired longitudinal snapshots: the same cells, neurons, or animals are not tracked as matched trajectories, even though population states are sampled across successive stages. This creates two coupled challenges. First, trajectories must respect curved low-dimensional manifolds embedded in high-dimensional biological measurements. Second, the model must identify when the transport mechanism itself changes. We introduce FLUX (FLow matching for Unpaired longitudinal data with miXture-of-experts), a geometry-aware longitudinal flow-matching framework for joint transport modeling and unsupervised regime discovery. FLUX learns a data-dependent metric from pooled labeled and unlabeled observations, uses that metric to construct geometry-aware conditional paths between adjacent marginals, and decomposes the resulting velocity field into sparse expert vector fields selected by a Straight-Through Gumbel-Softmax router. Across manifold controls, a regime-switching Lorenz system, widefield cortical calcium imaging during associative learning, and embryoid body single-cell differentiation, FLUX reconstructs longitudinal transport while recovering interpretable regime structure. Ablations show that mixture-of-experts routing alone is insufficient: FLUX without geometric learning can fit local transport but fails or weakens regime discovery when regimes are encoded in local dynamics. These results suggest that geometry-aware velocity decomposition provides a general strategy for discovering latent biological state transitions from unpaired longitudinal snapshots.
• Abstract（参考訳）: 多くの生物学的システムは、学習、刺激コンテキスト、内部状態、発達段階によって定義された潜伏状態に切り替えながら、連続的な局所力学を通して進化する。 これらの過程は、しばしば不対長のスナップショットとしてのみ観察される:同じ細胞、神経細胞、動物は、連続した段階にわたって集団状態がサンプリングされているにもかかわらず、一致した軌跡として追跡されない。 これによって2つの課題が生まれます。 第一に、軌道は高次元の生物学的測定に埋め込まれた曲線状の低次元多様体を尊重しなければならない。 第二に、モデルがトランスポート機構自体がいつ変化するかを特定する必要がある。 FLUX (FLow matching for Unpaired longitudinal data with miXture-of-experts) は,関節伝達モデルと教師なし状態発見のための幾何学的に認識可能な縦流マッチングフレームワークである。 FLUXは、ラベル付きおよびラベルなしの観測からデータ依存の計量を学習し、その計量を用いて、隣接する辺縁間の幾何認識条件経路を構築し、その結果の速度場を、ストレート・スルー・ガンベル・ソフトマックス・ルータによって選択されたスパース・エキスパートベクトル場に分解する。 Across manifold control, a regime-switching Lorenz system, widefield cortical calcium imaging during associative learning, and FLUX, FLUX restructing longitudinal transport while recovering interpretable regime structure。 幾何学習のないFLUXは局所的な輸送に適合するが、レジームが局所力学でエンコードされている場合、レジーム発見を失敗または弱める。 これらの結果から, 形状認識速度分解は, 損傷のない長手スナップショットから潜伏する生体状態遷移を発見するための一般的な戦略となることが示唆された。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• EFLUX: Elastic Multi-Robot Formation Navigation and Adaptation with Agentic LLMs [24.382645393013945]
  閉じ込められた環境や散在した環境で活動するマルチロボットチームは、複雑な障害物をナビゲートするために、形成幾何学とグループトポロジーの両方に適応する必要がある。 既存の手法は、しばしばこれらの振る舞いを独立してモデル化し、手作りのルールを通してそれらを接続する。 自動および弾力性のあるマルチロボット生成ナビゲーションのためのジオメトリグラウンドのLLMエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-13T18:08:57Z)
• Liouvillian Geometry of Multidimensional Spectra: Pathway Transport and Observational Holonomy in Open Quantum Systems [4.6612718429485165]
  リウヴィル経路は多次元分光学を解釈するための概念的基礎を提供する。 オープン量子系では、この図は不完全である。 経路輸送がリウィリア接続によって制御される幾何学的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-06-21T14:40:22Z)
• Geometry-Driven Flow Analysis of Brain Sulcal Pattern [1.5803208833562954]
  皮質の折り畳みは神経疾患の敏感なマーカーとして認識されつつある。 若年性筋硬化性てんかんでは、皮質の異常はしばしば微妙で、空間的に分布しており、検出が困難である。 幾何駆動フローとして皮質の折り畳みをモデル化するPoisson-equation-based frameworkを導入する。
  論文  参考訳（メタデータ） (2026-06-07T01:41:47Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model [0.338424069286569]
  TimeLesSegは、その入力に時間次元の有無にかかわらずMS病変を分断するように設計されたコントラストに依存しない統合フレームワークである。 本手法は, 病変マスクと現在のスキャンを併用した病理組織学的先行をモデル化する。 クロスセクション処理は、事前情報が得られないトレーニングケースにモデルを公開することによって実現される。
  論文  参考訳（メタデータ） (2026-05-08T16:19:34Z)
• MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
  We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。 この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。 合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
  論文  参考訳（メタデータ） (2026-03-23T20:49:45Z)
• SOMA: Unifying Parametric Human Body Models [47.381120553445136]
  パラメトリックな人体モデルは、人間の再構築、アニメーション、シミュレーションの基礎となっているが、それらは相互に相容れないままである。 これらの異種表現を3つの抽象層を通して変換する統一体層であるSOMAを提案する。 パイプライン全体は完全に差別化可能で、NVIDIA-Warp経由でGPUを加速する。
  論文  参考訳（メタデータ） (2026-03-17T17:58:03Z)
• Learning Discrete Successor Transitions in Continuous Attractor Networks: Emergence, Limits, and Topological Constraints [0.0]
  連続引力ネットワーク(Continuous attractor network, CAN)は、頭部方向、空間位置、位相などの低次元連続変数を表す。 標準空間領域では、アトラクタ多様体に沿った遷移は連続的な変位信号によって駆動される。 安定な誘引状態間の後継的な遷移を行うために,CANを訓練するための実験的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-20T10:41:18Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Quadrature nonreciprocity: unidirectional bosonic transmission without breaking time-reversal symmetry [0.0]
  時間反転対称ハミルトニアンを持つ系における非相互性の概念を一方向ボソニック輸送へ拡張する。 標準の非相互性とは対照的に、この一方向輸送は、モードが外部参照位相に関して解決されたときに現れる。 我々の研究は、ボゾン系における信号ルーティングと量子制限増幅のための新しい道を開く。
  論文  参考訳（メタデータ） (2022-07-18T11:37:54Z)
• 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。