論文の概要: PhylaFlow: Hybrid Flow Matching in Billera-Holmes-Vogtmann Tree Space for Phylogenetic Inference

• arxiv url: http://arxiv.org/abs/2605.21859v1
• Date: Thu, 21 May 2026 01:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.046796
• Title: PhylaFlow: Hybrid Flow Matching in Billera-Holmes-Vogtmann Tree Space for Phylogenetic Inference
• Title（参考訳）: PhylaFlow: 系統推論のためのビレラ・ホルムズ・フォグトマン木のハイブリッドフローマッチング
• Authors: Yasha Ektefaie, Leo Cui, Shrey Jain, Marinka Zitnik, Pardis Sabeti,
• Abstract要約: 本稿では,BHVツリー空間における後部基底輸送を学習するハイブリッドフローマッチングモデルであるPhylaFlowを紹介する。 DS1-DS8の系統的後続ベンチマーク全体において、PhylaFlowは古典的な初期化子に対する初期木-KLを大幅に削減する。 最も優れたPhylaFlow変種は、8つのデータセットのうち7つでショートアップを、同じ改善予算で8つのうち5つでPhyloGFNを上回ります。
• 参考スコア（独自算出の注目度）: 14.146719391690768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phylogenetic trees are hybrid objects: branch lengths vary continuously, while topologies change discretely through edge contractions and expansions. Billera-Holmes-Vogtmann (BHV) tree space provides a canonical geometry for this structure, representing each resolved topology as a Euclidean orthant and topological changes as motion across shared lower-dimensional boundaries. We introduce PhylaFlow, a hybrid flow-matching model that learns posterior-basin transport in BHV tree space. PhylaFlow is trained on BHV geodesic paths from random starting trees to short-run posterior samples, coupling continuous branch-length motion within orthants with learned boundary events and discrete topology transitions. We evaluate the learned geometry operationally: if the flow reaches posterior-relevant regions, finite-budget Bayesian refinement initialized from, or guided by, its terminal trees should recover posterior-supported topologies more efficiently. Across DS1-DS8 phylogenetic posterior benchmarks, PhylaFlow substantially reduces initial Tree-KL relative to classical initializers. After finite-budget MrBayes refinement, direct PhylaFlow improves early and intermediate topology-recovery trajectories on most datasets, while split-guided PhylaFlow-MCMC obtains the strongest hard-case results. The best PhylaFlow variant outperforms short-warmup on seven of eight datasets and PhyloGFN on five of eight under the same refinement budget. In a joint sequence-conditioned experiment, sequence embeddings steer posterior split recovery, although exact posterior topology recovery remains preliminary. These results show that hybrid flow matching can learn actionable transport in BHV tree space and provide a geometry-aware proposal mechanism for Bayesian phylogenetic inference.
• Abstract（参考訳）: 系統樹はハイブリッドオブジェクトであり、枝の長さは連続的に変化し、トポロジーは縁の収縮と伸長によって個別に変化する。 Billera-Holmes-Vogtmann (BHV) ツリー空間はこの構造に対して標準幾何学を提供し、各分解された位相をユークリッドorthantとして表現し、位相的変化を共有下次元境界を横切る運動として表現する。 本稿では,BHVツリー空間における後部基底輸送を学習するハイブリッドフローマッチングモデルであるPhylaFlowを紹介する。 PhylaFlowはランダムスタートツリーから短周期後部サンプルへのBHV測地経路を訓練し、オーサント内で連続的な枝長運動と学習境界事象と離散トポロジー遷移を結合する。 学習した地形を操作的に評価し,フローが後縁領域に到達し,有限予算ベイズ改良が初期化または誘導された場合,その末端木は後縁支持地形をより効率的に復元する。 DS1-DS8の系統的後続ベンチマーク全体において、PhylaFlowは古典的な初期化子に対する初期木-KLを大幅に削減する。 有限予算のMrBayes改良後、ほとんどのデータセットにおいて、直接PhylaFlowは早期および中期のトポロジー回復軌道を改善し、分割誘導PhylaFlow-MCMCは最強のハードケース結果を得る。 最も優れたPhylaFlow変種は、8つのデータセットのうち7つでショートワームアップ、同じ改善予算で8つのうち5つでPhyloGFNを上回っている。 共同シーケンス条件による実験では、シークエンディングは後部分割回復を操るが、正確な後部トポロジー回復は予備的のままである。 これらの結果から, ハイブリッドフローマッチングは, BHVツリー空間における実効性輸送を学習し, ベイズ系統推定のための幾何学的手法を提案する。

関連論文リスト

• Neural Backward Filtering Forward Guiding [2.676349883103404]
  木上の非線形連続過程における推論は、観測が疎(リーフのみ)であり、トポロジーが複雑であるときに困難である。 離散遷移と連続拡散の両方のための統一的なフレームワークであるニューラル・バックワード・フィルタリング・フォワード・ガイド(NBFFG)を提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:39:50Z)
• Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
  HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。 HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。 これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-29T15:19:13Z)
• PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
  系統樹は種間の進化的関係を解明する。 伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。 我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
  論文  参考訳（メタデータ） (2024-12-25T08:33:05Z)
• Variational Bayesian Phylogenetic Inference with Semi-implicit Branch Length Distributions [6.553961278427792]
  本稿では,グラフニューラルネットワークを用いた半単純階層分布に基づく分岐長変動後続の柔軟な系を提案する。 この構造は単純置換同変分布を出力するので、ユークリッドでない枝長空間を異なる木位相で容易に扱えることを示す。
  論文  参考訳（メタデータ） (2024-08-09T13:29:08Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Improved Variational Bayesian Phylogenetic Inference using Mixtures [4.551386476350572]
  VBPI-Mixturesは系統後部分布の精度を高めるために設計されたアルゴリズムである。 VBPI-Mixturesは、VBPIがモデル化に失敗するツリートポロジー上の分布をキャプチャできる。
  論文  参考訳（メタデータ） (2023-10-02T07:18:48Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)

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。