論文の概要: Learning Individual Dynamics from Sparse Cross-Sectional Snapshots

• arxiv url: http://arxiv.org/abs/2605.23470v1
• Date: Fri, 22 May 2026 10:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.311167
• Title: Learning Individual Dynamics from Sparse Cross-Sectional Snapshots
• Title（参考訳）: スパース断面スナップショットから個々のダイナミクスを学習する
• Authors: Christian Lagemann, Kai Lagemann, Steven L. Brunton, Sach Mukherjee,
• Abstract要約: 本稿では,一括スナップショットから連続的な個々の軌跡を復元する原理的確率的フレームワークCADENCEを紹介する。 単点軌道に対する新しい識別可能性保証を提供する。 CADENCEは、密度の高い全軌跡データに基づいてトレーニングされた最先端のシーケンシャルモデルのパフォーマンスに一致または超過する。
• 参考スコア（独自算出の注目度）: 5.850296173420883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting how a dynamical unit evolves over time - how an individual ages, an epidemic spreads, or a physical system degrades - typically requires dense longitudinal tracking. When only extremely sparse or entirely cross-sectional data is available, inferring individualized, continuous-time trajectories is fundamentally ill-posed. Existing methods force a strict compromise: sequence models (e.g. latent ODEs) require dense longitudinal data, while cross-sectional methods (e.g. optimal transport, flow matching-based) map aggregate populations, losing individual dynamics. In this paper, we demonstrate that this dichotomy can be broken. We introduce CADENCE, a principled probabilistic framework that recovers continuous individual trajectories from isolated snapshots by anchoring latent dynamics to static, individual-level contexts. We provide novel identifiability guarantees for single-timepoint trajectory inference. By combining a score-based spatial encoder (bijective Probability Flow ODE) to eliminate diffeomorphic ambiguities with a Soft Mixture-of-Experts (SMoE) router, we show that individual dynamical parameters and routing function are jointly identifiable. Across a suite of benchmarks spanning physical systems to real-world biological data, CADENCE, trained strictly on extremely sparse snapshots with context structure, matches or exceeds the performance of state-of-the-art sequential models trained on dense, full-trajectory data.
• Abstract（参考訳）: 動的ユニットが時間とともにどのように進化するかを予測する - 個々の年齢、疫病、または物理的システムが劣化するか - は通常、密度の高い縦断的な追跡を必要とする。 極端にスパースなデータや完全に横断的なデータしか得られない場合、個別化された連続時間軌道を推定することは基本的に不適切である。 既存の手法は厳密な妥協を迫る: シーケンスモデル(例えば遅延ODE)は密度の高い長手データを必要とし、一方断面法(例えば最適輸送、フローマッチングに基づく)は集団をマッピングし、個々のダイナミクスを失う。 本稿では,この二分法が破れることを実証する。 本稿では,静的な個人レベルのコンテキストに潜時ダイナミクスを固定することにより,独立したスナップショットから連続的な個人軌跡を復元する,原理的確率的フレームワークCADENCEを紹介する。 単点軌道推定のための新しい識別可能性保証を提供する。 スコアベース空間エンコーダ (bijective Probability Flow ODE) とSoft Mixture-of-Experts (SMoE) ルータを併用することにより, 個々の動的パラメータとルーティング関数が同時同定可能であることを示す。 物理システムから実世界の生物学的データにまたがる一連のベンチマーク、CADENCEは、コンテキスト構造、マッチ、あるいは最先端のシーケンシャルモデルのパフォーマンスを厳格に訓練し、密度の高い全軌道データに基づいてトレーニングした。

関連論文リスト

• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Sparse-to-Field Reconstruction via Stochastic Neural Dynamic Mode Decomposition [12.812771670043212]
  風力場や海流のような現実世界のシステムの多くは、動的でモデル化が難しい。 動的モード分解(DMD)は、単純でデータ駆動の近似を提供するが、実用性はスパース/ノイズの観測によって制限される。 DMDの確率的拡張であるNODE-DMDを導入する。
  論文  参考訳（メタデータ） (2025-11-25T18:39:50Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• Interpretable time series analysis with Gumbel dynamics [7.190567053576657]
  動的システムの切り替えは、解釈可能性を維持しながら複雑な時系列データをモデル化することができる。 この集合の離散的な性質のため、そのようなモデルは滑らかで変動速度の遷移を捉えるのに苦労する。 本稿ではGumbel Dynamical Model(GDM)を提案する。
  論文  参考訳（メタデータ） (2025-09-25T20:56:01Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Accurate deep learning-based filtering for chaotic dynamics by identifying instabilities without an ensemble [0.5936407204316615]
  深層学習とカオス力学のためのデータ同化スキームを発見する能力について検討する。 その焦点は、単純な残差畳み込みニューラルネットワークを用いて、状態軌跡とその観察から、DAの分析ステップを学ぶことである。
  論文  参考訳（メタデータ） (2024-08-08T19:44:57Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Deep dynamic modeling with just two time points: Can we still allow for individual trajectories? [0.0]
  疫学コホート研究や臨床登録では、縦断的生医学データはしばしばスパースタイムグリッドによって特徴づけられる。 ディープラーニングと動的モデリングを組み合わせた最近の進歩から着想を得て,そのような手法が複雑な構造を明らかにするのに有用かどうかを考察する。 このような動的ディープラーニングアプローチは、極端に小さなデータ設定でも有用であるが、慎重に適応する必要がある。
  論文  参考訳（メタデータ） (2020-12-01T16:58:02Z)
• Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
  集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。 本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。 このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
  論文  参考訳（メタデータ） (2020-02-10T03:20:13Z)

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。