Active Timepoint Selection for Learning Measure-Valued Trajectories

Résumé Technique : Sélection de Points Temporels Actifs pour l'Apprentissage de Trajectoires à Valeurs de Mesures

Énoncé du Problème
L'article traite du défi de l'inférence de chemins de probabilité continus $\{\mu_t\}_{t \in [0,1]}$ à partir d'instantanés destructifs et épars. Ce problème est critique dans des domaines tels que la biologie de la cellule unique, où l'acquisition de données à haute fidélité (ex. : séquençage) est coûteuse et destructive, empêchant un échantillonnage temporel dense. L'objectif est de réaliser une interpolation distributionnelle : reconstruire la trajectoire continue sous-jacente étant donné un ensemble fini de mesures empiriques observées à des points temporels discrets.

Les auteurs identifient trois défis principaux lors de l'application de l'apprentissage actif à ce cadre :

1. Géométrie Non-Euclidienne : Les mesures de probabilité résident dans l'espace de Wasserstein $\mathcal{P}_2(\mathcal{X})$, qui est non linéaire. Les méthodes d'apprentissage actif standard reposant sur des métriques euclidiennes (ex. : processus gaussiens standards) échouent car les combinaisons linéaires de mesures ne produisent pas de mesures valides, et l'interpolation naïve divise la masse au lieu de la transporter.
2. Absence d'Incertitude Épistémique : Les méthodes actuelles d'interpolation de distribution (ex. : flow matching, ponts de Schrödinger) sont généralement déterministes. Elles renvoient un chemin ajusté unique et manquent d'un mécanisme pour quantifier l'incertitude épistémique, ce qui est essentiel pour guider les politiques d'apprentissage actif.
3. Non-Stationnarité : La dynamique des mesures peut présenter des vitesses variables (ex. : périodes d'homéostasie ponctuées par des événements de branchement rapides). Des temps d'acquisition espacés uniformément sont sous-optimaux pour capturer ces régions transitoires à haute vélocité.

Méthodologie
Les auteurs proposent un cadre qui étend l'expérimentation active à l'espace des mesures en construisant un substitut probabiliste traitable. La méthode se compose de quatre étapes clés :

1. Linéarisation via le Transport Optimal Linéarisé (LOT) :
   Pour gérer la géométrie non-euclidienne, le cadre projette les mesures empiriques observées $\hat{\mu}_t$ dans un espace tangent commun $T_\sigma \mathcal{P}_2(\mathcal{X})$ défini à une mesure de référence fixe $\sigma$ (choisie comme barycentre de Wasserstein des instantanés observés). En utilisant la carte logarithmique du LOT, chaque mesure est représentée par un champ de vecteurs de déplacement $v_\mu(x) = T_{\sigma \to \mu}(x) - x$, où $T$ est la carte de transport optimal. Cela linéarise la géométrie de Wasserstein, permettant aux mesures d'être traitées comme des vecteurs dans un espace de Hilbert.

2. Représentation de Faible Dimension :
   Ces champs de déplacement de haute dimension sont compressés dans un espace latent de faible dimension. Les auteurs aplatissent les champs de déplacement repondérés et appliquent l'Analyse en Composantes Principales (ACP) pour obtenir une représentation $c_t$ de dimension $K$ pour chaque point temporel $t$.

3. Modélisation Probabiliste avec Processus Gaussiens (GP) :
   Un Processus Gaussien Multi-Sorties (MOGP) est placé sur l'évolution temporelle des coefficients latents $c_t$. Le modèle suppose un a priori à moyenne nulle avec un noyau matriciel. Le postérieur du GP fournit une moyenne prédictive et, surtout, une matrice de covariance qui quantifie l'incertitude épistémique sur la trajectoire latente.

   • Reconstruction : Pour reconstruire la mesure prédite $\hat{\mu}_t$ à n'importe quel instant $t$, la moyenne latente est projetée via l'inverse de la projection ACP et l'inverse de la carte du LOT (en ajoutant le déplacement aux points de repère de référence).

4. Gestion de la Non-Stationnarité via le Déformation Temporelle (Time Warping) :
   Pour traiter la nature non stationnaire des processus biologiques, les auteurs introduisent une paramétrisation temporelle intrinsèque. Une fonction de déformation $\Phi(t)$ mappe le temps physique vers un temps intrinsèque $\tau$, représentant la longueur d'arc cumulée de la trajectoire dans l'espace de Wasserstein. Un noyau stationnaire est appliqué dans ce domaine déformé, induisant de fait un noyau non stationnaire dans le temps physique qui s'adapte aux vitesses locales de changement de distribution.

5. Politique d'Acquisition :
   Le cadre utilise une fonction d'acquisition pour sélectionner le prochain temps de mesure $t^*$. La politique sélectionne itérativement $t^*$ pour maximiser le gain d'information, ciblant spécifiquement les régions de haute incertitude épistémique dans le domaine du temps intrinsèque. Deux stratégies d'acquisition sont proposées : l'incertitude ponctuelle (maximisation de la trace de la covariance postérieure) et la réduction attendue du risque intégré.

Contributions Clés

• Conceptuelle : Le papier formule le problème de l'apprentissage actif pour les trajectoires à valeurs de mesures, étendant l'expérimentation active des espaces euclidiens vers l'espace des mesures de probabilité.
• Technique : Il construit un substitut probabiliste traitable dans l'espace de Wasserstein en combinant le Transport Optimal Linéarisé avec des Processus Gaussiens Multi-Sorties. Cette combinaison permet de quantifier l'incertitude épistémique sur les chemins de probabilité, une capacité absente des méthodes d'interpolation de distribution antérieures.
• Empirique : Les auteurs démontrent que leur stratégie d'acquisition surpasse les bases incertaines de l'incertitude (échantillonnage uniforme et aléatoire) sur des ensembles de données synthétiques simulant des événements de branchement ainsi que sur des données réelles de transcriptomique de cellule unique.

Résultats

• Données Synthétiques : Sur un ensemble de données synthétiques présentant des dynamiques non stationnaires et des événements de branchement, la stratégie active a systématiquement surpassé les bases Uniforme et Aléatoire, particulièrement avec des budgets faibles à modérés. La méthode a réussi à concentrer les mesures dans les régions de haute vélocité (événements de branchement), réduisant l'Erreur de Wasserstein Moyenne et l'erreur pondérée par la vélocité. L'analyse de sensibilité a montré que la méthode est plus efficace lorsque les événements de branchement sont hautement localisés.
• Données Réelles : Appliquée à un ensemble de données de reprogrammation de cellule unique (fibroblastes de souris vers des iPSC), la stratégie active a obtenu l'erreur de reconstruction la plus faible dans le régime de budget faible à modéré ($B \le 12$). L'avantage diminue à mesure que le budget augmente et que l'échantillonnage devient dense, confirmant l'utilité de la méthode dans des scénarios à ressources contraintes.
• Études d'Ablation : Le retrait de la déformation temporelle intrinsèque a dégradé les performances, validant le besoin d'une modélisation non stationnaire. Réduire la dimension latente ($K=2$) a provoqué des chutes de performance significatives, soulignant la nécessité d'une dimensionnalité suffisante pour capturer les variations complexes. Fixer la mesure de référence (plutôt que d'utiliser le barycentre) a augmenté l'erreur, soulignant l'importance de minimiser l'erreur de linéarisation.

Signification et Revendications
Le papier affirme que sa contribution principale est de permettre l'apprentissage actif dans l'espace des mesures en résolvant le double problème de la géométrie non-euclidienne et de l'absence de quantification de l'incertitude. En exploitant le LOT et les GP, le cadre fournit un mécanisme pratique pour sélectionner les temps de mesure optimaux afin de minimiser l'incertitude de la trajectoire de probabilité reconstruite.

Les auteurs notent des limites : l'approche repose sur une approximation de l'espace tangent, ce qui peut introduire des erreurs lors de changements de distribution importants, et le coût computationnel est dominé par les sous-programmes de Transport Optimal, rendant la méthode pratique pour le régime visé (jusqu'à $\sim 10^5$ échantillons par instantané) mais potentiellement difficile pour des jeux de données de millions de points sans approximations supplémentaires évolutives. Des travaux futurs sont suggérés pour explorer les outils de géométrie riemannienne (multiples cartes) et les entrées multidimensionnelles.