CT-OT Flow：从离散时间快照估计连续时间动力学
机器学习
2026-05-25 v4 机器学习
摘要
在许多现实场景中——例如单细胞 RNA 测序、移动感知和环境监测——数据仅以在有限时间窗口内收集的时间聚合快照形式被观测到，时间戳通常带有噪声或不确定性，且无法获取连续轨迹。本文研究了从此类快照估计连续时间动力学的问题。我们提出了连续时间最优传输流（CT-OT Flow），一个两阶段框架：（i）通过部分最优传输（POT）对齐相邻区间以推断高分辨率时间标签，（ii）通过时间核平滑重建连续时间数据分布，从中采样邻近时间点以训练标准 ODE/SDE 模型。我们的公式明确考虑了快照聚合和时间标签不确定性，并使用了实用的加速方法（筛选和小批量 POT），使其适用于大规模数据集。在合成基准和两个真实数据集（scRNA-seq 和台风轨迹）上，CT-OT Flow 相比 OT-CFM、[SF]²M、TrajectoryNet、MFM 和 ENOT 降低了分布误差和轨迹误差。
引用
@article{arxiv.2505.17354,
title = {CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots},
author = {Keisuke Kawano and Takuro Kutsuna and Naoki Hayashi and Yasushi Esaki and Hidenori Tanaka},
journal= {arXiv preprint arXiv:2505.17354},
year = {2026}
}
备注
https://github.com/ToyotaCRDL/CT-OT_Flow