arXiv cs.AI· Junda Ying, Yuxuan Wang, Bowen Yang, Peijie Zhou, Lei Zhang·· 10 小时前AI 评分18
SUDO：面向通用增长惩罚的无仿真非平衡动态最优传输框架
Simulation-free Unbalanced Dynamic Optimal Transport with General Growth Penalty
AI 导读
研究者提出 SUDO，一个面向通用非二次凸增长惩罚的非平衡动态最优传输（UDOT）无仿真框架，通过学习条件路径与传输代价、求解诱导的半耦合问题并结合非平衡流匹配实现求解。在 WFR 基准上，SUDO 精度与解析解驱动算法相当，计算速度快于基于仿真的方法。它还原生支持可编码增殖主导先验的非对称惩罚，在合成数据与单细胞数据上给出更合理的轨迹与增长估计。
正文 · AI 翻译
摘要：从非配对的单细胞快照推断细胞动力学，需要对状态转换以及种群增长或死亡进行建模。非平衡动态最优传输（UDOT）通过惩罚沿传输路径的增长来解决这一问题，使得增长惩罚的选择成为编码关于增殖和凋亡的生物学先验的关键方式。然而，现有的 UDOT 求解器要么依赖计算代价高昂的 NeuralODE 模拟，要么依赖条件路径的解析解，从而将其效率仅限于二次惩罚，即 Wasserstein-Fisher-Rao（WFR）测地线。为使 UDOT 求解器能够高效处理一般增长惩罚，我们首先证明凹增长惩罚会导致增长与传输相分离的退化解。随后我们引入 \textbf{S}imulation-free \textbf{U}nbalanced \textbf{D}ynamic \textbf{O}ptimal transport（SUDO），这是一个用于具有一般非二次凸增长惩罚的 UDOT 的无模拟框架。SUDO 学习条件路径和传输代价，求解所诱导的半耦合问题，并进而利用非平衡流匹配实现无模拟解。在 WFR 基准上，SUDO 的精度与高效、由解析解驱动的算法相当，同时在计算速度上优于基于模拟的方法。在 WFR 之外，SUDO 支持编码增殖主导先验的非对称惩罚，并在合成数据集和单细胞数据集上产生更合理的轨迹和增长估计。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；定量方法（q-bio.QM） |
| 引用为： | arXiv:2609.04710 [cs.LG] |
| （或 arXiv:2609.04710v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.04710 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Junda Ying [查看邮箱]
[v1]
2026年9月4日星期五 04:30:05 UTC（7,099 KB）
[v2]
2026年10月30日星期五 15:35:05 UTC（7,099 KB）
来源：arXiv cs.AI · arxiv.org