研究人员开发了CADENCE，一个新颖的概率框架，旨在从极其稀疏的数据快照中推断连续的个体轨迹。该方法克服了现有方法的局限性，这些方法要么需要密集的纵向数据，要么在分析横断面数据时会丢失个体动态。CADENCE将潜在动态锚定到静态的、个体层面的上下文，为单时间点轨迹推断提供了可识别性保证。该框架结合了基于分数的空间编码器和软专家混合路由器，以联合识别个体动态参数和路由函数。在包括生物数据在内的各种基准测试中，CADENCE的表现与在密集数据上训练的顺序模型相当或更优。 AI
影响 能够用有限的数据更准确地模拟动态系统，可能对从生物学到物理学的领域产生影响。
排序理由 发布了一篇详细介绍新方法和框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.23470v1 Announce Type: cross Abstract: Predicting how a dynamical unit evolves over time - how an individual ages, an epidemic spreads, or a physical system degrades - typically requires dense longitudinal tracking. When only extremely sparse or entirely cross-sectiona…
Predicting how a dynamical unit evolves over time - how an individual ages, an epidemic spreads, or a physical system degrades - typically requires dense longitudinal tracking. When only extremely sparse or entirely cross-sectional data is available, inferring individualized, con…