論文の概要: TracingFlow: A Simulation-Free Trajectory Inference Framework Based on Second-Order Dynamics
- arxiv url: http://arxiv.org/abs/2608.21070v1
- Date: Fri, 21 Aug 2026 13:11:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.550683
- Title: TracingFlow: A Simulation-Free Trajectory Inference Framework Based on Second-Order Dynamics
- Title（参考訳）: TracingFlow: 2次ダイナミクスに基づくシミュレーションフリーな軌道推論フレームワーク
- Abstract要約: スパース時間スナップショットから継続的システムの進化を推定することは、生成モデリングと単一セルオミクスにおいて重要な課題である。
本稿では,2次力学を一般化したシミュレーション不要なフローマッチングフレームワークであるTrcingFlowを紹介する。
ニューラルネットワークを使用して加速場を回帰することにより、TrcingFlowは動的最適加速輸送(DOAT)問題に対する正確かつ効率的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 7.088148340428723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring continuous system evolution from sparse temporal snapshots is a key challenge in generative modeling and single-cell omics. While Optimal Transport (OT) is popular, existing frameworks are largely restricted to first-order dynamics, assuming memoryless velocity fields. This limits expressiveness, as first-order systems fail to account for regulatory momentum and time-delayed responses inherent in processes like cell differentiation. Here, we introduce TracingFlow, a simulation-free Flow Matching framework generalizing to second-order dynamics. By using neural networks to regress the acceleration field, TracingFlow provides an exact, efficient solution to the Dynamical Optimal Acceleration Transport (DOAT) problem. Unlike first-order methods yielding over-smoothed trajectories, our second-order formulation captures high-curvature transitions and nonlinear evolutions by learning the underlying force fields. Evaluated on complex synthetic and large-scale scRNA-seq datasets, TracingFlow achieves superior accuracy in distributional reconstruction and trajectory faithfulness. Moreover, by integrating lineage tracing priors, it recovers dynamical structures that are both mathematically optimal and biologically plausible.
- Abstract（参考訳）: スパース時間スナップショットから継続的システムの進化を推定することは、生成モデリングと単一セルオミクスにおいて重要な課題である。
OT(Optimal Transport)は人気があるが、既存のフレームワークはメモリレスの速度場を前提として、主に1次ダイナミクスに制限されている。
これは、細胞分化のようなプロセスに固有の規制運動量や時間遅れ反応を考慮できないため、表現性を制限する。
本稿では,2次力学を一般化したシミュレーション不要なフローマッチングフレームワークであるTrcingFlowを紹介する。
ニューラルネットワークを使用して加速場を回帰することにより、TrcingFlowは動的最適加速輸送(DOAT)問題に対する正確かつ効率的なソリューションを提供する。
過スムーズな軌道を得る一階法とは異なり、我々の二階法は、基礎となる力場を学習することによって、高い曲率遷移と非線形進化を捉える。
TracingFlowは、複雑な合成および大規模なscRNA-seqデータセットに基づいて評価され、分布再構成と軌道忠実性において優れた精度を達成する。
さらに、系統追跡の先行を統合することにより、数学的に最適で生物学的に妥当な動的構造を復元する。
関連論文リスト
- FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation [33.3202615024807]
本稿では,フローベース平均速度設定(Fave)フレームワークを提案する。
Faveは、ターゲット分布の前に情報提供者から直接軌跡を学習する。
3つのベンチマークの実験では、Faveは最先端のレコメンデーションパフォーマンスを達成するだけでなく、推論効率のオーダー・オブ・マグニチュードの改善も実現している。
論文 参考訳（メタデータ） (2026-04-06T05:17:43Z) - Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。
1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。
画像の回復と逆問題に対するMS-Flowの有効性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:36:41Z) - Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
時系列生成には、フローマッチング(FM)がますます使われている。
一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。
インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
論文 参考訳（メタデータ） (2026-02-09T06:48:45Z) - FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。
ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。
本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
論文 参考訳（メタデータ） (2026-02-06T03:24:23Z) - 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) - SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。
SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。
強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-03-25T17:59:57Z) - 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) - TO-FLOW: Efficient Continuous Normalizing Flows with Temporal
Optimization adjoint with Moving Speed [12.168241245313164]
連続正規化フロー (CNFs) は任意の複素分布と等方ガウス分布の間の可逆写像を構成する。
ニューラルODEトレーニングの複雑さが増しているため、大規模なデータセットでは処理できない。
本稿では,ニューラル・オード・トレーニングの前方伝播の進化時間を最適化し,時間的最適化を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:56:41Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳（メタデータ） (2021-05-21T00:08:06Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular
Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。
単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文 参考訳（メタデータ） (2020-02-09T21:00:38Z)
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。