多边际薛定谔桥的迭代参考方法
内容提要
本文探讨了多种生成模型和算法，重点在扩散过程和Schrödinger桥问题及其在种群动态建模中的应用。提出了非平衡扩散Schrödinger桥和软约束Schrödinger桥的新方法，以提高模型在细胞动力学和药物反应预测中的灵活性和稳定性。
延伸解读
方法演进：从扩散模型到薛定谔桥
文章梳理了生成模型与薛定谔桥问题的结合脉络。早期工作通过高斯噪声构建确定性生成模型，并利用分数匹配估计漂移。随后Diffusion SB方法将薛定谔桥问题转化为迭代比例拟合过程，成为流形上Sinkhorn算法的连续状态空间推广。这一演进表明，薛定谔桥正从离散最优传输工具发展为处理连续状态空间生成问题的通用框架。
种群动态建模的两种路径
针对种群动态建模，文章介绍了连续标准化流与动态最优输运相结合的方法，以及非平衡扩散薛定谔桥（DSBs）。前者通过正则化神经SDE近似种群级动态，并利用拉格朗日方法引入先验知识估计采样级随机行为；后者则允许端点质量不守恒，模拟人口时间演化。两者都致力于从群体观测中推断个体轨迹，但DSBs更侧重于质量非守恒场景，如癌症药物响应分析。
软约束与鲁棒生成扩散模型
软约束薛定谔桥（SSB）通过惩罚终端分布与目标分布之间的KL散度，允许终端分布偏离目标，从而提升模型鲁棒性。理论推导表明，最优控制过程的终端分布是目标分布与其他分布的几何混合。基于此，文章提出了从几何混合中采样的评分匹配算法，并在MNIST数据集上验证了其有效性。这一方法为时间序列设置和鲁棒生成扩散模型提供了新思路。
部分观测下的轨迹推断与收敛性
PO-MFL方法针对部分观测数据推断潜在轨迹的问题，在可观察状态空间模型中引入基于熵的最小估计器，并利用调整后动力学相邻时间边缘之间的熵传输来解决推断问题。实验证实了该方法的鲁棒性，并表明MFL动力学具有指数收敛性。这为处理个体轨迹不可见、仅有横截面样本的场景提供了理论保证和实用工具。
Q&A
什么是多边际薛定谔桥的迭代参考方法？
多边际薛定谔桥的迭代参考方法是一种用于解决Schrödinger桥问题的新算法，旨在提高生成模型的灵活性和样本质量。
非平衡扩散薛定谔桥方法的应用是什么？
非平衡扩散薛定谔桥方法可用于模拟人口时间演化，特别是在癌症药物响应分析中。
如何通过高斯噪声构建生成模型？
通过将高斯噪声逐渐应用于复杂的数据分布，可以构建一个确定性的生成模型，适用于倒退随机微分方程。
什么是模拟-free score and flow matching算法？
模拟-free score and flow matching算法是一种无需模拟的目标函数，用于推断随机动力学，基于未配对的源样本和目标样本。
如何使用深度学习建模非归一化目标密度？
使用深度学习的方法可以对非归一化目标密度进行建模，并通过Schrödinger桥问题确定最有可能的随机演变。
PO-MFL方法的主要功能是什么？
PO-MFL方法通过部分观测数据推断潜在轨迹，使用基于熵的最小估计器来解决潜在轨迹推断问题。
