論文の概要: Simulation-free Unbalanced Dynamic Optimal Transport with General Growth Penalty
- arxiv url: http://arxiv.org/abs/2609.04710v1
- Date: Fri, 04 Sep 2026 04:30:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.909815
- Title: Simulation-free Unbalanced Dynamic Optimal Transport with General Growth Penalty
- Title（参考訳）: 一般成長ペナルティを考慮したシミュレーションフリー非平衡動的最適輸送
- Abstract要約: 単細胞スナップショットから細胞動態を推定するには、状態遷移と人口増加または死の両方をモデル化する必要がある。
非平衡動的最適輸送(UDOT)は、輸送経路に沿って成長をペナル化することによってこの問題に対処する。
textbfSimulation-free textbfUn Balanced textbfDynamic textbfOptimal transport (SUDO)を導入する。
- 参考スコア（独自算出の注目度）: 15.111561302726132
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inferring cellular dynamics from unpaired single-cell snapshots requires modeling both state transitions and population growth or death. Unbalanced dynamic optimal transport (UDOT) addresses this by penalizing growth along transport paths, making the choice of growth penalty a key way to encode biological priors on proliferation and apoptosis. However, existing UDOT solvers either rely on computationally expensive NeuralODE simulations or depend on analytical solutions of conditional paths, restricting their efficiency solely to quadratic penalties, i.e. Wasserstein-Fisher-Rao (WFR) geodesics. To enable an efficient UDOT solver for general growth penalties, we first show that concave growth penalties lead to degenerate solutions where growth and transport are separated. We then introduce \textbf{S}imulation-free \textbf{U}nbalanced \textbf{D}ynamic \textbf{O}ptimal transport (SUDO), a simulation-free framework for UDOT with general non-quadratic convex growth penalties. SUDO learns the conditional paths and transport costs, solves the induced semi-coupling problem, and subsequently leverages unbalanced flow matching to achieve a simulation-free solution. On WFR benchmarks, SUDO matches the accuracy of efficient, analytical solution-driven algorithms while outperforming simulation-based methods in computational speed. Beyond WFR, SUDO supports asymmetric penalties that encode proliferation-dominant priors and produce more plausible trajectories and growth estimates on synthetic and single-cell datasets.
- Abstract（参考訳）: 単細胞スナップショットから細胞動態を推定するには、状態遷移と人口増加または死の両方をモデル化する必要がある。
非バランスな動的最適輸送(UDOT)は、輸送経路に沿って成長をペナル化することでこの問題に対処し、増殖とアポトーシスの生物学的先行をコード化する重要な方法となる。
しかし、既存のUDOTソルバは計算コストのかかるニューラルドシミュレーションに依存するか、条件付きパスの分析解に依存するか、その効率をワッサーシュタイン・フィッシャー・ラオ(WFR)測地学のみに制限する。
一般成長ペナルティに対する効率的なUDOT解法を実現するために、まず、凹凸成長ペナルティが成長と輸送が分離された解を退化させることを示す。
次に、一般の二次凸成長ペナルティを持つUDOTのシミュレーションフリーフレームワークである、textbf{S}imulation-free \textbf{U}n Balanced \textbf{D}ynamic \textbf{O}ptimal transport (SUDO)を紹介する。
SuDOは条件付き経路と輸送コストを学習し、誘導された半カップリング問題を解く。
WFRベンチマークでは、SUDOは効率的な解析的解駆動アルゴリズムの精度に一致し、計算速度でシミュレーションベースの手法より優れている。
WFR以外にも、SUDOは増殖に支配的な先行を符号化し、より妥当な軌跡と合成および単細胞データセット上の成長推定を生成する非対称なペナルティをサポートしている。
関連論文リスト
- A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。
生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
論文 参考訳（メタデータ） (2026-07-14T17:58:13Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Variational Entropic Optimal Transport [67.76725267984578]
本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。
VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。
合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
論文 参考訳（メタデータ） (2026-02-02T15:48:44Z) - 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) - Worst-case generation via minimax optimization in Wasserstein space [19.645939141861543]
最悪のケース生成は、分散シフト下でのロバストネスとストレステストシステムを評価する上で重要な役割を果たす。
我々は,所定のリスクに対する最悪のケース生成のための生成モデリングフレームワークを開発する。
論文 参考訳（メタデータ） (2025-12-09T02:11:08Z) - Schrödinger bridge for generative AI: Soft-constrained formulation and convergence analysis [6.584866740785309]
いわゆるソフト拘束型シュリンガー橋問題(SCSBP)について検討する。
ペナルティが大きくなるにつれて、制御関数と値関数の両方が線形速度で古典的SBPのものと収束することが証明される。
これらの結果から,ソフト拘束ブリッジの定量的収束保証が得られた。
論文 参考訳（メタデータ） (2025-10-13T18:29:15Z) - Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。
本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
論文 参考訳（メタデータ） (2025-06-01T20:32:27Z) - Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。
我々の手法は科学計算による並列シミュレーション技術に基づいている。
論文 参考訳（メタデータ） (2024-12-10T11:50:46Z) - Scalable Simulation-free Entropic Unbalanced Optimal Transport [3.9901365062418312]
エントロピック・アンバランス・オプティマルトランスポート(EUOT)問題を解くために,スケーラブルでシミュレーション不要なアプローチを導入する。
これらの特性を活用することにより、シミュレーションフリーEUOT(SF-EUOT)と呼ばれるEUOTを解くシミュレーションフリーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-03T16:43:00Z) - Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Efficiently Training Deep-Learning Parametric Policies using Lagrangian Duality [55.06411438416805]
制約付きマルコフ決定プロセス(CMDP)は、多くの高度な応用において重要である。
本稿では,パラメトリックアクターポリシーを効率的に訓練するための2段階深度決定規則(TS-DDR)を提案する。
現状の手法と比較して, 解の質を高め, 数桁の計算時間を削減できることが示されている。
論文 参考訳（メタデータ） (2024-05-23T18:19:47Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z)
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。