ملخص تقني: مطابقة التدفق للبيانات العدديّة (count-FM)

بيان المشكلة

تمثل البيانات العددية عالية الأبعاد، المنتشرة في مجالات مثل تسلسل الحمض النووي الريبوزي أحادي الخلية (scRNA-seq) وتحليل قطارات النبضات العصبية، تحديات فريدة لنماذج التوليد. تتميز أنواع البيانات هذه بالتقطع، والندرة، وهياكل الارتباط المعقدة. وتواجه الأساليب التوليدية العميقة الحالية صعوبات في هذا المجال:

• نهج الحالات الفئوية: تتطلب الأساليب التي تعامل الأعداد كمتغيرات فئوية (مثل الرموز/tokens) أبعاد مخرجات تتناسب مع النطاق الأقصى للعد، مما يؤدي إلى عدم كفاءة في المعلمات ويعامل الأعداد المتجاورة كحالات غير مرتبطة، متجاهلاً الهندسة الجوهرية لفضاء العد.
• التحويلات المستمرة: تستبدل الأساليب التي ترسم خرائط للأعداد إلى فضاءات مستمرة عبر إزالة التكميم (dequantization) أو التمثيلات الكامنة، الكثافة الاحتمالية، بكثافات مستمرة، مما قد يؤدي إلى طمس البنية المنفصلة الأساسية.
• محدودية نماذج العد الحالية: بينما توجد بعض نماذج القفز الخاصة بالعد (مثل Poisson-JUMP)، إلا أنها غالبًا لا تكون مصممة للنقل بين توزيعات عددية عشوائية أو تفتقر إلى خصائص التدريب والتوليد الفعالة لأساليب التدفق الحديثة.

يعالج البحث الحاجة إلى إطار عمل توليدي يعمل مباشرة في فضاء العد، ويحترم الهندسة المنفصلة للبيانات، ويمكّن من النقل الفعال بين أي توزيعات مصدر وهدف دون العبء الإضافي للمعلمات الخاص بنماذج الحالة الفئوية.

المنهجية: count-FM

يقترح المؤلفون count-FM، وهو إطار عمل لمطابقة التدفق مصمم للبيانات العددية بناءً على عملية ولادة-موت مستمرة زمنياً ذات قفزات وحدة محلية.

1. عملية الولادة-الموت المستمرة زمنياً

يحدد النموذج الانتقال بين توزيع المصدر $p_0$ وتوزيع الهدف $p_1$ كعملية قفز ماركوف مستمرة زمنياً (CTMC) في فضاء المتجهات العددية $\mathbb{N}_0^d$. تتطور العملية عبر ولادات وموت وحدات محلية ($+1$ و $-1$) لكل إحداثي$i$:

• معدل الولادة: $\lambda_{t,i}(x)$
• معدل الموت: $\mu_{t,i}(x)$
• الديناميكيات: عبر فاصل زمني صغير $h$، يكون احتمال الانتقال من الحالة $x$ إلى $x + e_i$ هو $h \lambda_{t,i}(x)$، وإلى $x - e_i$ هو $h \mu_{t,i}(x)$. يُمنع الموت عندما يكون العد صفراً.

هذا التوصيف فعال للغاية: فبدلاً من التنبؤ بتوزيع فئوي كامل لجميع مستويات العد الممكنة (والذي يتناسب مع الحد الأقصى للعد)، يتنبأ النموذج بمعدلين فقط لكل بُعد ($2d$ من المخرجات)، بغض النظر عن نطاق العد.

2. الجسر الثنائي الشرطي والتدريب

لتدريب النموذج، يحدد المؤلفون جسراً شرطياً بين نقاط النهاية الثابتة $(x_0, x_1)$. لكل إحداثي $i$، يتم بناء الجسر باستخدام توزيع ثنائي (Binomial):
$$X_t^{(i)} = x_0^{(i)} + \text{sgn}(x_1^{(i)} - x_0^{(i)}) B_t^{(i)}, \quad B_t^{(i)} \sim \text{Binomial}(|x_1^{(i)} - x_0^{(i)}|, t)$$
يضمن هذا الجسر تحرك المتوسط الشرطي خطياً من $x_0$ إلى $x_1$ مع الحفاظ على حالات وسيطة ذات قيم صحيحة.

من خلال فرض حفظ الكتلة (معادلة كولموغوروف الأمامية) على هذا الجسر الشرطي، يستنتج المؤلفون تعبيرات مغلقة لمعدلات الولادة والموت الشرطية:
$$\lambda_{t,i}(x | x_0, x_1) = \frac{(x_1^{(i)} - x)^+}{1-t}, \quad \mu_{t,i}(x | x_0, x_1) = \frac{(x - x_1^{(i)})^+}{1-t}$$
حيث يمثل الرمز $(\cdot)^+$ التصحيح الموجب.

3. هدف التدريب

يتم تدريب النموذج عن طريق تقليل تباعد كولباك-ليبلر (KL) في فضاء المسار بين عملية الجسر الشرطي والعملية التي تعلمها النموذج. ينقسم هذا إلى هدف مطابقة معدل محلي:
$$\mathcal{L}_{train}(\theta) = \mathbb{E} \left[ \sum_{i=1}^d \ell(\lambda_{t,i}, \lambda_{\theta,i}) + \sum_{i=1}^d \ell(\mu_{t,i}, \mu_{\theta,i}) \right]$$
حيث $\ell(u, v) = v - u \log v$ هو حد KL معمّم. يسمح هذا بالتدريب الخالي من المحاكاة (simulation-free) لمعدلات الانتقال الهامشية عبر تعلم المعدلات الشرطية القابلة للتمييز.

4. أخذ العينات والاقتران

• أخذ العينات: يتم توليد العينات عن طريق محاكاة عملية الولادة-الموت المتعلمة من $t=\epsilon_t$ إلى $t=1-\epsilon_t$ باستخدام تقطيع (discretization) قفزة محلية من الدرجة الأولى.
• اقتران نقاط النهاية: يستكشف البحث استراتيجيتين للاقتران لربط عينات المصدر والهدف:
  • الاقتران المستقل: الربط العشوائي ($p_0(x_0)p_1(x_1)$).
  • اقتران النقل الأمثل (OT): اقتران OT ضمن الدفعة الصغيرة (minibatch) باستخدام تكلفة بواسون متناظرة. يميل هذا إلى إحداث انتقالات ذات انحناء أقل، مما يحسن القابلية للتفسير وكفاءة أخذ العينات.

5. التوليد الشرطي

بالنسب للمهام الشرطية، يدمج النموذج المتغيرات المساعدة $y$ ويستخدم التوجيه الخالي من المصنف (Classifier-Free Guidance - CFG). أثناء التدريب، يتم إسقاط متغيرات الشرط عشوائياً. عند أخذ العينات، يتم دمج المعدلات الشرطية وغير الشرطية عبر مقياس توجيه $w$ للتحكم في قوة الشرط.

المساهمات الرئيسية

1. إطار عمل count-FM: إطار عمل لمطابقة التدفق للبيانات العددية يعتمد على ديناميكيات الولادة-الموت المحلية، مما يتيح النقل مباشرة في فضاء العد مع بقاء الحالات الوسيطة ذات قيم عددية.
2. مخطط تدريب قابل للحساب: طريقة لتعلم معدلات الانتقال الهامشية عبر جسر ثنائي شرطي، مما يحافظ على كفاءة مطابقة التدفق ويتجنب تعقيد النمذجة ذات الحالة الفئوية.
3. كفاءة المعلمات: صيغة تتنبأ فقط بمعدلات الولادة والموت المحلية ($2d$ مخرج) بدلاً من التوزيعات الفئوية الكاملة، مما يجعلها مناسبة للبيانات عالية الأبعاد ذات نطاقات العد الكبيرة.

النتائج التجريبية

1. المحاكاة (خليط جاما-بواسون ثنائي الأبعاد)

• الأداء: حقق count-FM و count-FM-OT أفضل جودة للعينات (أقل مسافة 2-Wasserstein و MMD$^2$) مقارنة بالنماذج المرجعية بما في ذلك D3PM، و discrete-FM، و tauLDR، و SEDD، و Poisson-JUMP.
• الكفاءة: حقق count-FM هذه النتائج بعدد أقل بكثير من المعلمات القابلة للتدريب (2,372) مقارنة بالنماذج المرجعية ذات الحالة الفئوية (14,000–67,000+).
• الهندسة: تطورت الحالات الوسيطة بسلاسة في فضاء العد. اتبع نسخة الاقتران بـ OT مسار انتقال أكثر استقامة بشكل مرئي ووصل إلى جودة الهدف بعدد أقل من تقييمات الدالة (NFEs).

2. تسلسل الحمض النووي الريبوزي أحادي الخلية (Dentate Gyrus)

• التوليد غير الشرطي: في مجموعة بيانات مكونة من 2,930 خلية و 13,913 جيناً، تفوق count-FM على النماذج المرجعية ذات المتغيرات الكامنة (scVI) ونماذج الانتشار الكامنة (scDiffusion, scLDM) في جودة العينات (W2 و MMD$^2$) مع استخدام معلمات أقل (حوالي 9.8 مليون مقابل 29-39 مليون للمنافسين).
• النقل (من P12 إلى P35): نجح النموذج في نمذجة النقل التنموي من اليوم اللاحي لولادة 12 إلى اليوم 35. باستخدام اقتران OT المقيد بالسلالة، احترمت مسارات النقل الهياكل التنموية المعروفة (مثل التقدم من الخلايا العصبية الأولية إلى خلاء الحبيبات)، مما أنتج توزيعات وسيطة قابلة للتفسير وظلت في فضاء العد.

3. قطارات النبضات العصبية (Hippocampal/Entorhinal)

• التوليد الشرطي: تم تطبيق النموذج لتوليد عدات النبضات مشروطة بالموقع الخطي واتجاه الجري.
• المقارنة: تفوق count-FM مع مقياس توجيه $w=1$ على منظم MLP حتمي وعلى نموذج Poisson MLP الأساسي.
• هيكل الارتباط: على عكس Poisson MLP، الذي قلل من تقدير الارتباطات السكانية، حافظ count-FM بشكل أفضل على هيكل الاعتماد المتبادل بين الخلايا العصبية.
• مقايضة التوجيه: وفر $w=1$ أفضل توازن بين الضبط المكاني ومعايرة التوزيع. أما $w=2$ فقد أدى إلى تشكيل حقول مكانية أكثر حدة ولكنه شوه معايرة السعة.

الأهمية والادعاءات

يدعي البحث أن count-FM يوفر إطار عمل فعال لنمذجة البيانات العددية عالية الأبعاد من خلال تمكين التوليد والنقل مباشرة في فضاء العد. تكمن أهميته الأساسية في:

• الدقة الهندسية: من خلال نمذجة النقل عبر قفزات الوحدة المحلية، يحترم الأسلوب الهندسة المنفصلة للبيانات العددية، متجنباً آثار الطمس الناتجة عن التقريبات المستمرة.
• القابلية للتوسع: تجعل كفاءة المعلمات هذا الأسلوب قابلاً للتطبيق في التطبيقات عالية الأبعاد (مثل آلاف الجينات) حيث تصبح طرق الحالة الفئوية مكلفة حوسبياً.
• القابلية للتفسير: الحالات الوسيطة في مسار النقل هي عينات عددية صالحة، مما يسمح بفحص التوزيعات الانتقالية ذات المعنى في تطبيقات مثل علم الأحياء التنموي.
• تعدد الاستخدامات: يدعم إطار العمل التوليد غير الشرطي، والنقل بين أي توزيعات، والتوليد الشرطي مع توجيه يمكن التحكم فيه.

يقر المؤلفون بوجود قيود، مشيرين إلى أن الجسر الثنائي الشرطي بسيط نسبياً وقد لا يستكشف جميع المسارات الوسيطة المحتملة، كما يمكن تحسين تقطيع الدرجة الأولى الحالي باستخدام مخططات محاكاة أكثر دقة. ومع ذلك، تُظهر النتائج التجريبية عبر المحاكاة ومجموعات البيانات البيولوجية أن count-FM يحقق جودة عينات عالية بكفاءة نمذجة أكبر من الأساليب المنافسة.