Deep Momentum Multi-Marginal Schrödinger Bridge

要約

粗い時間間隔の分布からのラベルなしサンプルを使用して個体群動態を再構築することは、極めて重要な課題です。
フローベース モデルやシュオーディンガー ブリッジ (SB) モデルなどの最近のアプローチは魅力的なパフォーマンスを示していますが、推定されたサンプルの軌跡は基礎となる確率性を考慮できていないか、$\underline{D}$eep $\underline{
M}$omentum Multi-Marginal $\underline{S}$chr\’odinger $\underline{B}$ridge(DMSB)、位置限界制約を満たす確率システムの滑らかな測度値スプラインを学習する新しい計算フレームワーク
時を越えて。
有名なブレグマン反復を調整し、反復比例フィッティングを位相空間に拡張することで、高次元のマルチマージナル軌道推論タスクを効率的に処理できます。
合成データセットと現実世界の単一細胞 RNA 配列データセットの実験で証明されているように、私たちのアルゴリズムはベースラインを大幅に上回っています。
さらに、提案されたアプローチは、アクセスできないグラウンドトゥルース速度がある場合でも、位置スナップショットのみから速度分布の展開を合理的に再構築できます。

要約(オリジナル)

It is a crucial challenge to reconstruct population dynamics using unlabeled samples from distributions at coarse time intervals. Recent approaches such as flow-based models or Schr\’odinger Bridge (SB) models have demonstrated appealing performance, yet the inferred sample trajectories either fail to account for the underlying stochasticity or are $\underline{D}$eep $\underline{M}$omentum Multi-Marginal $\underline{S}$chr\’odinger $\underline{B}$ridge(DMSB), a novel computational framework that learns the smooth measure-valued spline for stochastic systems that satisfy position marginal constraints across time. By tailoring the celebrated Bregman Iteration and extending the Iteration Proportional Fitting to phase space, we manage to handle high-dimensional multi-marginal trajectory inference tasks efficiently. Our algorithm outperforms baselines significantly, as evidenced by experiments for synthetic datasets and a real-world single-cell RNA sequence dataset. Additionally, the proposed approach can reasonably reconstruct the evolution of velocity distribution, from position snapshots only, when there is a ground truth velocity that is nevertheless inaccessible.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google