用于轨迹推断的流形插值最优传输流
机器学习
2022-11-04 v2
摘要
我们提出一种称为流形插值最优传输流（Manifold Interpolating Optimal-Transport Flow, MIOFlow）的方法，该方法从在零星时间点采集的静态快照样本中学习随机的连续种群动态。MIOFlow 通过训练神经常微分方程（Neural ODE）以在静态种群快照之间进行插值，并以基于流形地面距离的最优传输作为惩罚，从而结合了动态模型、流形学习与最优传输。此外，我们通过在一种称为测地自编码器（GAE）的自编码器的潜空间中操作，确保流遵循几何结构。在 GAE 中，点之间的潜空间距离被正则化以匹配我们所定义的数据流形上的新型多尺度测地距离。我们表明，在种群间插值方面，该方法优于归一化流、薛定谔桥以及其他旨在从噪声流向数据的生成模型。在理论上，我们将这些轨迹与动态最优传输联系起来。我们在具有分叉与合并的模拟数据，以及类胚体分化和急性髓系白血病治疗的 scRNA-seq 数据上评估了我们的方法。
引用
@article{arxiv.2206.14928,
title = {Manifold Interpolating Optimal-Transport Flows for Trajectory Inference},
author = {Guillaume Huguet and D. S. Magruder and Alexander Tong and Oluwadamilola Fasina and Manik Kuchroo and Guy Wolf and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2206.14928},
year = {2022}
}
备注
Presented at NeurIPS 2022, 24 pages, 7 tables, 14 figures