PulseAugur
中
实时 07:28:09
English(EN) TracingFlow: A Simulation-Free Trajectory Inference Framework Based on Second-Order Dynamics

新的TracingFlow框架通过二阶动力学增强轨迹推断能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的框架TracingFlow，旨在从稀疏的时间数据中推断系统演化。与主要使用一阶动力学的现有方法不同，TracingFlow通过学习加速度场来纳入二阶动力学。这使得它能够捕捉更复杂的过渡和非线性演化，这对于细胞分化等过程至关重要。该框架在合成和单细胞RNA测序数据集上展示了卓越的准确性，提供了对轨迹和动力学结构更忠实的重建。 AI

影响 增强了复杂生物系统和生成模型系统的轨迹推断能力。

排序理由 该集群包含一篇学术论文，详细介绍了用于生成模型和单细胞组学分析的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的TracingFlow框架通过二阶动力学增强轨迹推断能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yuhao Sun, Zekun Wu, Zixun Huang, Peijie Zhou ·

    TracingFlow：一种基于二阶动力学的无仿真轨迹推理框架

    arXiv:2608.21070v1 Announce Type: cross Abstract: Inferring continuous system evolution from sparse temporal snapshots is a key challenge in generative modeling and single-cell omics. While Optimal Transport (OT) is popular, existing frameworks are largely restricted to first-ord…

相关实体

相关话题