論文の概要: Learning Population Dynamics with Variational Doob-Wasserstein Flow

• arxiv url: http://arxiv.org/abs/2610.33922v1
• Date: Sat, 24 Oct 2026 21:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.483641
• Title: Learning Population Dynamics with Variational Doob-Wasserstein Flow
• Title（参考訳）: 変分Doob-Wasserstein流を用いた人口動態の学習
• Abstract要約: 本稿では、ワッサーシュタイン・フィッシャー・ラオ多様体(WFR)上の不均衡な人口動態を学習するための新しいシミュレーションフリーフレームワークを提案する。 データ依存計量を備えた幾何学モデルを独立に学習することにより,本モデルは個体群動態の内在的幾何学構造を捉える。 複数の実世界のデータセットに対する提案手法を検証し、バランスの取れた個体群とバランスの取れていない個体群の動態を学習する際の競合性能を実証する。
• 参考スコア（独自算出の注目度）: 1.3147925376013128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel simulation-free framework for learning unbalanced population dynamics on the Riemannian Wasserstein-Fisher-Rao (WFR) manifold, termed Variational Doob-Wasserstein Flow (VDWF), built upon the theory of the unbalanced mean-field Schrödinger bridge (MFSB). First, by independently learning a geometry model equipped with a data-dependent metric, our model captures the intrinsic geometric structure of population dynamics. Furthermore, leveraging Doob's h-transform, the proposed method incorporates boundary information to improve flow-based trajectory inference. For unbalanced transport, a growth model is employed to learn the dynamics while constructing intermediate mass samples in the WFR space without simulation. Additionally, we analyze the convergence rate of the proposed framework using a uniform Log-Sobolev inequality (LSI). Finally, we validate the proposed approach on multiple real-world datasets, demonstrating competitive performance in learning both balanced and unbalanced population dynamics compared with state-of-the-art methods.
• Abstract（参考訳）: 本稿では、不均衡平均場シュレーディンガー橋(MFSB)の理論に基づいて、リマン・ワッサーシュタイン-フィッシャー-ラオ多様体(英語版)(WFR)上の不均衡な人口動態を学習するための新しいシミュレーションフリーフレームワークについて紹介する。 まず,データ依存距離を持つ幾何モデルを独立に学習することにより,本モデルは個体群動態の内在的幾何学的構造を捉える。 さらに,Doobのh-transformを利用して,フローベース軌道推定を改善するために境界情報を含む手法を提案する。 不均衡輸送には、シミュレーションなしでWFR空間の中間質量サンプルを構築しながら、力学を学習するために成長モデルを用いる。 さらに,一様ロジソボレフ不等式(LSI)を用いて,提案フレームワークの収束速度を解析した。 最後に、複数の実世界のデータセットに対する提案手法を検証し、最先端の手法と比較して、バランスの取れた個体群とバランスの取れていない個体群の両方を学習する際の競合性能を実証する。

関連論文リスト

• 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)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Free-Form Variational Inference for Gaussian Process State-Space Models [21.644570034208506]
  ベイズGPSSMにおける新しい推論法を提案する。 本手法はハミルトニアンモンテカルロの誘導による自由形式変分推論に基づく。 提案手法は, 競合する手法よりも, 遷移力学や潜伏状態をより正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-20T11:34:16Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Data-driven Control of Agent-based Models: an Equation/Variable-free Machine Learning Approach [0.0]
  複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。 提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM)) 創発力学の数値分岐解析を行うために方程式のない手法を用いる。 我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
  論文  参考訳（メタデータ） (2022-07-12T18:16:22Z)
• 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)
• An accelerated hybrid data-driven/model-based approach for poroelasticity problems with multi-fidelity multi-physics data [0.0]
  本稿では,多孔性問題を解決するためのハイブリッドモデル/モデルフリーなデータ駆動手法を提案する。 固体弾性と液圧応答の相違に対処するために, ハイブリッドモデルを導入する。
  論文  参考訳（メタデータ） (2020-11-30T23:36:05Z)

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。