通过分数与流匹配的无模拟薛定谔桥
机器学习
2024-03-12 v3
摘要
我们提出无模拟分数与流匹配（[SF]M），一种在给定从任意源分布和目标分布抽取的非配对样本时推断随机动力学的无模拟目标。我们的方法推广了扩散模型训练中所用的分数匹配损失以及近期提出的连续归一化流训练中所用的流匹配损失。[SF]M将连续时间随机生成建模解释为薛定谔桥问题。它依赖于静态熵正则化最优传输或小批量近似，以高效学习SB而无需模拟所学随机过程。我们发现，[SF]M比先前工作中基于模拟的方法更高效，并为SB问题提供更精确的解。最后，我们将[SF]M应用于从快照数据学习细胞动力学的问题。值得注意的是，[SF]M是首个在高维中准确建模细胞动力学并能从模拟数据恢复已知基因调控网络的方法。我们的代码可在TorchCFM包中获取，地址为https://github.com/atong01/conditional-flow-matching。
引用
@article{arxiv.2307.03672,
title = {Simulation-free Schr\"odinger bridges via score and flow matching},
author = {Alexander Tong and Nikolay Malkin and Kilian Fatras and Lazar Atanackovic and Yanlei Zhang and Guillaume Huguet and Guy Wolf and Yoshua Bengio},
journal= {arXiv preprint arXiv:2307.03672},
year = {2024}
}
备注
AISTATS 2024. Code: https://github.com/atong01/conditional-flow-matching