FLUX：基于混合专家的几何感知纵向流匹配
机器学习
2026-05-12 v1 神经元与认知
摘要
许多生物系统通过连续的局部动力学演化，同时在由学习、刺激上下文、内部状态或发育阶段定义的潜在制度之间切换。这些过程通常仅以未成对的纵向快照观察到：相同的细胞、神经元或动物未被跟踪为匹配轨迹，尽管随着后续阶段的样本而进行了抽样。这导致两个耦合挑战：首先，轨迹必须尊重嵌入在高维生物测量中的曲面低维流形；其次，模型必须识别输运机制本身何时发生变化。我们引入 FLUX（FLow matching for Unpaired longitudinal data with miXture-of-experts，针对未成对纵向数据的几何感知纵向流匹配），一个用于联合运输建模和无监督制度发现的几何感知纵向流匹配框架。FLUX 从汇聚的标记和未标记观察中学习数据依赖度量，使用该度量在相邻边际之间构建几何感知条件路径，并将结果速度场分解为由 Straight-Through Gumbel-Softmax 路由器选择的稀疏专家向量场。跨越流形控制、制度切换的 Lorenz 系统、关联学习期间的宽域皮层钙成像和胚胎体单细胞分化，FLUX 在重建纵向运输的同时恢复可解释的制度结构。消融实验表明，混合专家路由单独不足以实现此目标：在没有几何学习的 FLUX 可拟合局部运输，但在制度编码于局部动力学时失败或削弱制度发现。这些结果表明，几何感知的速度分解为从未成对的纵向快照发现潜在生物状态转换提供了通用策略。
引用
@article{arxiv.2605.08648,
title = {FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts},
author = {Josue Ortega Caro and Yongxu Zhang and Hannah M Batchelor and Sizhuang He and Jessica Cardin and Shreya Saxena},
journal= {arXiv preprint arXiv:2605.08648},
year = {2026}
}