論文の概要: Stochastic Flow Map for Count Data

• arxiv url: http://arxiv.org/abs/2609.23290v1
• Date: Sun, 20 Sep 2026 01:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.764438
• Title: Stochastic Flow Map for Count Data
• Title（参考訳）: 数値データのための確率フローマップ
• Abstract要約: カウントフローマップ(英: Count Flow Map)は、有限時間遷移を直接数空間で学習する生成モデルである。 数値フローマップは,1段階から数段階まで,推論予算全体にわたって,数量空間内での高品質な生成を可能にする。
• 参考スコア（独自算出の注目度）: 6.091702876917281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional count data are common in scientific applications, but most diffusion and flow models are designed for continuous or categorical data, and generation often requires many sequential model evaluations. We propose Count Flow Map, a generative model that learns finite-time transitions directly in count space for one- or few-step generation. Our model directly learns stochastic transitions over finite time intervals, using Poisson births and Binomial deaths to preserve nonnegative integer counts without a predefined maximum. These transition models are trained to match the underlying local birth--death dynamics and to maintain consistency across step sizes. We characterize the connection between local dynamics and finite-time transition consistency and derive a bound on the generation error. After validating Count Flow Map in several simulations, including a high-dimensional, high-count setting, we apply it to single-cell drug perturbation prediction and neural population forecasting, where it captures perturbation responses and supports forecasts of high-activity events with only one or a few model evaluations. Together, these experiments demonstrate that Count Flow Map enables high-quality generation directly in count space across inference budgets, from one-step to few-step generation, using a single trained model.
• Abstract（参考訳）: 高次元カウントデータは科学的な応用では一般的であるが、拡散と流れのモデルの多くは連続的または分類的なデータのために設計されており、生成には多くのシーケンシャルなモデル評価が必要である。 本研究では,数空間における有限時間遷移を直接学習する生成モデルであるCount Flow Mapを提案する。 我々のモデルは、ポアソン誕生とビノミアル死を用いて、有限時間間隔での確率遷移を直接学習し、既定の最大値を持たない非負整数数を保存する。 これらの移行モデルは、基礎となるローカルな生長のダイナミクスに適合し、ステップサイズをまたいだ一貫性を維持するためにトレーニングされる。 局所力学と有限時間遷移一貫性の接続を特徴付け,生成誤差を導出する。 高次元高次元の設定を含むいくつかのシミュレーションでCount Flow Mapを検証した後、単一セルの薬物摂動予測とニューラル人口予測に適用し、摂動応答を捉え、1つか数回のモデル評価で高活動事象の予測をサポートする。 これらの実験により、Count Flow Mapは1段階から数段階までの推論予算で、1つの訓練されたモデルを用いて、数量空間における高品質な生成を可能にすることを示した。

関連論文リスト

• Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
  WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。 本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。 複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-07-30T11:18:18Z)
• Flow Matching for Count Data [5.156484100374059]
  本研究では,局所的な単位ジャンプを伴う連続的生死過程に基づくデータカウントのためのフローマッチングフレームワークであるcount-FMを提案する。 シミュレーションにおいて、カウントFMは、かなり少ないパラメータを使用しながら、代表ベースラインよりも優れたサンプル品質を達成する。 さらに、無条件生成、輸送、条件生成のためのscRNA-seqおよびニューラルスパイクトレインデータにカウントFMを適用した。
  論文  参考訳（メタデータ） (2026-05-08T13:53:37Z)
• Count Bridges enable Modeling and Deconvolving Transcriptomic Data [11.719740585969886]
  数値データに対する拡散型モデルの正確なアナログを提供する整数上のプロセスであるCount Bridgesを紹介する。 我々はこのフレームワークを拡張して、単位レベルの数を潜伏変数として扱う期待-最大化スタイルのアプローチを通じて、集約された測定から直接のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-03-05T02:09:00Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。