通过密度估计的随机力推断

Oct, 2023

Stochastic force inference via density estimation

Victor Chardès, Suryanarayana Maddu, Michael J. Shelley

TL;DR从低分辨率时间数据推断动力学模型在生物物理学中仍然是一个重要的挑战，我们提出了一种方法，利用与潜在扩散过程相关的概率流来推断插值分布之间的自主的非线性力场，通过使用得分匹配来区分力场和固有噪声，我们的方法可以从非平稳数据中提取非守恒力，在应用于稳态数据时学习均衡动力学，无论是添加型噪声模型还是乘法型噪声模型。

Abstract

Inferring dynamical models from low-resolution temporal data continues to be a significant challenge in biophysics, especially within transcripto

dynamical models low-resolution temporal data transcriptomics latent diffusion process force field

发现论文，激发创造

基于几何约束的稀疏观测随机动态推断优化

本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。

Apr, 2023

近似潜在力模型推断

本文提出了一种基于变分方法的非线性和抛物型偏微分方程潜在力模型的推断技术，并展示了神经算子方法在千万级实例上的可扩展性，以处理核函数的不同可处理程度，进一步表明我们框架的高效性和灵活性。

Sep, 2021

机械领域中解决反问题的条件评分扩散模型

我们提出了一个框架，使用条件分数扩散模型执行贝叶斯推理来解决机械学中涉及由加载的噪声测量推断出具有空间变化的材料属性的一类反问题。

Jun, 2024

用确定性粒子流约束随机非线性系统

提出了一种非迭代的方法，从一个相互作用粒子逼近的对数梯度中估计必要的控制，用于扰动非线性系统的最优干预。

Dec, 2021

DYffusion: 基于动态信息的时空预测扩散模型

文章提出了一种新的 diffusion model 的训练方法，通过将数据中的时间动态信息直接耦合在网络的 diffusion steps 中，训练了一个 stochastic time-conditioner interpolator 和一个 backbone forecaster network，从而实现了多步和长距离的时序预测能力。实验结果表明该方法对于复杂的动态状态预测有较强的表现。

Jun, 2023

依赖数据耦合的随机插值

使用基于随机插值的框架将基本密度与目标密度进行耦合，构建了条件生成模型，从而实现了类标签或连续嵌入的信息传输，通过超分辨率和修复实验验证了构建相关联的耦合的实用性。

Oct, 2023

通过扩散生成模型学习近似粒子平滑轨迹

从稀疏观测数据中学习动力系统是许多领域（包括生物学、金融学和物理学）的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法，能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹，并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法，又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法，包括车辆追踪和单细胞 RNA 测序数据。

Jun, 2024

统计空间非均匀扩散推断

从离散观测数据中推算出扩散方程是一个在各个领域中具有重要统计意义的挑战，我们提出了使用基于神经网络的估计方法，对漂移项和空间非均匀扩散张量进行估计，并在漂移项和扩散张量连续可微的情况下提供了统计收敛保证，我们的界限与非参数函数估计的极小极限速率 $N^{-rac {2s}{2s+d}}$ 一致，即使存在观测数据内的相关性，这需要在建立快速泛化界限时进行仔细处理，我们的理论结果得到通过数值实验证明了对空间非均匀扩散张量的准确推断。

Dec, 2023

物理相关扩散模型

通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

Mar, 2024

通过贝叶斯神经网络推断具有不确定性的 Langevin 方程

采用贝叶斯神经网络推断随机系统的朗之万方程，以及预测不确定性的综合框架。

Feb, 2024