🔥 今日值得一读
一步生成高维计数数据！Count Flow Map用泊松出生二项死亡直接建模，无需预定义最大值
Stochastic Flow Map for Count Data
👨💼 主理人解读 · 为什么值得关注
面向高维计数数据的少步生成模型，可用于科学计数数据如单细胞测序的高效采样。
📖 AI 总结
本文提出了一种名为 Count Flow Map 的生成模型，专门用于高维计数数据的建模与生成。现有扩散与流模型多面向连续或类别数据，且生成过程往往需要大量顺序模型评估，难以直接适用于计数场景。该模型在计数空间中直接学习有限时间区间内的随机转移，利用泊松出生与二项死亡机制保持非负整数特性，且无需预设最大值上限。训练目标是匹配底层的局部出生—死亡动态，并保证不同步长下转移的一致性。作者刻画了局部动态与有限时间转移一致性之间的关系，并推导出生成误差上界。实验涵盖高维高计数模拟、单细胞药物扰动预测及神经群体活动预测，表明该模型仅需一次或少数几次评估即可捕捉扰动响应并预测高活跃事件，在单步到少步生成的不同推理预算下均能实现高质量生成。
🔑 关键词速览
| Count Flow Map | 一种直接在计数空间中学习有限时间随机转移的生成模型，支持一步或少步生成。 |
| Poisson births and Binomial deaths | 一种保持非负整数计数的随机转移机制，其中出生过程服从泊松分布，死亡过程服从二项分布。 |
| finite-time transition consistency | 指模型在不同时间步长下学习到的转移能够保持一致的性质。 |
| single-cell drug perturbation prediction | 预测单细胞在药物扰动下的响应，是计数流映射的一个应用场景。 |
| neural population forecasting | 预测神经群体活动，是计数流映射的另一个应用场景，支持高活动事件的预测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅