Core Concepts
GENOTは、条件付きフローマッチングを使用して、最適なエントロピックカップリングπε(y|x)をモデル化する新しい枠組みです。
Abstract
概要:
最適輸送(OT)理論が生成モデリングの分野を変革しており、最近のニューラルOT(N-OT)ソルバーは、平均変位コストを最小限に抑える「節約型」マッピングに焦点を当てるためにOTを導入しています。
N-OTソルバーは、高いリスクの科学的課題に成功裏に応用されており、特に単一細胞ゲノム領域で注目されています。
課題と提案:
N-OTソルバーは実用上の課題に直面しており、これらすべてのニーズを元々処理できる新しいフレームワークであるGENOTが提案されています。
GENOTは条件付き分布πε(y|x)を使って最適なエントロピックカップリングπεをモデル化し、任意のコスト関数を使用して空間間でポイントを輸送することができます。
背景:
確率分布のマッピングは機械学習で普遍的な課題であり、最適輸送(OT)がその解決策として浮上しています。
線形エントロピックOTや二次エントロピックOTなどさまざまな問題設定が存在し、それぞれ異なる計算手法や制約条件が必要です。
Stats
大規模問題に対する近似マッチング問題を解決するためのソルバーが提案されています。 (Cuturi, 2013; Peyr´e et al., 2016; Scetbon et al., 2021; 2022)
OTインスパイアトレーニングアプローチが提案されました。 (Makkuva et al., 2020; Korotin et al., 2020; Asadulaev et al., 2022; Fan et al., 2020; Uscidda & Cuturi, 2023; Lipman et al., 2023; Tong et al., 2020; 2023b)
Quotes
"GENOT is generative and can transport points across spaces, guided by sample-based, unbalanced solutions to the Gromov-Wasserstein problem."
"We showcase our approach on both synthetic and single-cell datasets, using GENOT to model cell development, predict cellular responses, and translate between data modalities."