多尺度监督式非平衡最优传输流匹配
机器学习
2026-05-19 v1 最优化与控制
摘要
非平衡最优传输(UOT)为建模单细胞转换和出生-死亡动力学提供了原则框架，但其高计算成本限制了对大规模数据集的可扩展性。尽管单细胞数据常常包含分层注释和已知的转换先验，但现有的UOT近似方法很少利用这种多尺度结构或先验知识。我们引入多尺度监督式非平衡最优传输流匹配(MUST-FM)，这是一种无需仿真即可扩展UOT的框架，利用分层数据结构实现规模化。MUST-FM进一步支持可选的监督式公式，通过整合转换先验(如细胞谱系)来指导学习位移场和质量变化。实验表明，MUST-FM在降低计算开销的同时，实现了稳健且生物学上有意义的轨迹推断，使其能够对atlas规模的单细胞数据集进行动态建模。
引用
@article{arxiv.2605.16529,
title = {Multiscale Supervised Unbalanced Optimal Transport Flow Matching},
author = {Qiangwei Peng and Lezhi Chen and Peijie Zhou},
journal= {arXiv preprint arXiv:2605.16529},
year = {2026}
}