🤖 machine learning

Learning Individual Dynamics from Sparse Cross-Sectional Snapshots

本文介绍了 CADENCE，这是一种概率框架，它通过将潜在动态锚定于静态情境，从稀疏的横截面快照中唯一地恢复连续个体轨迹，从而在不依赖序列数据的情况下，实现了与密集纵向模型相当的识别能力和性能。

原作者： Christian Lagemann, Kai Lagemann, Steven L. Brunton, Sach Mukherjee

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Christian Lagemann, Kai Lagemann, Steven L. Brunton, Sach Mukherjee

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你想要预测一个特定的人将如何衰老、一个特定的病毒将如何传播，或者一台特定的机器将如何磨损。通常，要做到这一点，你需要该人或物体的“电影”：你需要连续多年每天观察他们，才能看到完整的故事。

但在现实世界中，我们往往没有“电影”。我们只有快照。也许你只在医院见过一位病人一次，在工厂见过一台机器一次，或在实验室见过一个病毒样本一次。我们拥有来自不同人在不同时间的成千上万张这样的快照，但我们不知道其中任何一个个体的随时间变化的过程。

试图仅凭一张照片来猜测一个人的未来，就像试图通过查看单帧画面来猜测电影的剧情。从数学上讲，这是一个破碎的谜题；连接这些点的方式有无数种，而大多数方法都会失败。

论文的核心思想：CADENCE
作者介绍了一种名为CADENCE的新方法。它通过认识到虽然我们没有个体的“电影”，但我们确实拥有一个庞大的、来自彼此相似人群的快照库，从而解决了这个谜题。

以下是 CADENCE 的工作原理，使用一个简单的类比：

1. “背景”是关键

想象你正在预测一位 20 岁运动员的未来。你只有他们的一张照片。

旧方法： 看着照片并猜测。（不可能）。
CADENCE 方法： 看着照片并问：“还有谁像这样？”你找到了一个包含数千名其他 20 岁运动员的数据库。即使你没有你这位运动员的“电影”，你可能拥有另一位 20 岁运动员的“电影”，他们同时开始且拥有相同的统计数据。

CADENCE 利用“静态背景”（如人的年龄、基因或机器规格）在数据库中找到这些“双胞胎”。它假设，如果两个人在开始时看起来相同，那么随着他们的衰老，他们将遵循相同的“剧本”或“轨迹”。

2. “剧本”（原型）

论文认为，尽管每个人都是独特的，但他们都遵循少数几个基本的“剧本”或模式。

类比： 想象一个剧团。只有少数几个主要角色（英雄、反派、喜剧角色）。即使有 1000 名演员，他们都扮演这些角色中的一个。
CADENCE 如何使用这一点： 它不为每个个体发明一个独特的剧本。相反，它根据一个人的背景确定其属于哪个“角色”（或原型）。一旦确定了角色，它就可以预测该角色的未来。如果你的病人符合“快速康复”原型，模型就会根据其他属于该组的人的康复情况，预测他们将快速康复。

3. 两步流程

该方法分两个明确的阶段进行，以避免混淆：

阶段 1：翻译器（空间编码）
原始数据（如复杂的医学扫描或高分辨率照片）杂乱无章且难以比较。CADENCE 首先将所有这些杂乱的图像翻译成一种干净、标准化的“语言”（潜在空间）。这就像将成千上万种不同的方言转换为一种完美的英语，以便每个人都能被公平地比较。这一步去除了“噪声”，并确保在原始数据中看起来相似的两个人在这里也被识别为相似。
阶段 2：导演（时间动态）
现在每个人都在说同一种语言，模型充当导演。它查看“背景”（演员的简历）并说：“好的，你正在扮演‘快速康复’的角色。”然后它调出该角色的“剧本”，并预测该演员未来的表现。
- 神奇之处： 即使它从未见过你这位特定演员的完整“电影”，它也能做到这一点。它只需要知道你正在扮演的角色的剧本。

为什么这是一个突破？

以前的方法不得不在两个糟糕的选项之间做出选择：

“电影”方法： 需要每个人的密集长期数据。如果你只有一张照片，它就会失败。
“人群”方法： 可以处理一张照片，但它只预测整个群体的平均行为。它丢失了个体细节。

CADENCE 打破了这一规则。 它利用“人群”来学习“剧本”（原型），然后利用背景将这些剧本应用于“个体”。

结果

作者在从简单的物理模拟到现实世界的生物数据（如血细胞如何转化为不同类型的细胞）等各种领域测试了这种方法。

他们仅使用稀疏快照（每人一张照片）训练了 CADENCE。
他们将其与使用完整电影（密集数据）训练的其他模型进行了比较。
结果： CADENCE 的表现与那些有幸看到完整电影的模型一样好，有时甚至更好。

局限（注意事项）

论文诚实地指出了其局限性。该方法仅在“背景”（你拥有的静态信息）实际上能告诉你某人遵循哪个“剧本”时才有效。

类比： 如果你试图根据身高预测一个人的未来，但他们的未来实际上取决于你未测量的秘密基因突变，模型就会失败。它只会猜测平均值。
论文将此称为“背景可观测性假设”。如果静态数据缺少关键线索，模型就无法创造奇迹。

总结

CADENCE 是一个工具，即使我们只有个体的单张快照，也能让我们预测个体的未来。它通过认识到个体就像遵循少数几个标准剧本的演员来实现这一点。通过将个人与其背景相匹配以找到其剧本，模型可以在从未看过完整影片的情况下“填补缺失的电影”。

技术摘要：从稀疏横截面快照中学习个体动态

问题表述

本文解决了定量科学中的一个根本性挑战：当仅有极度稀疏或纯粹的横截面数据可用时，如何预测个体单元（例如衰老的患者、退化的系统）的连续时间演化。在许多现实场景中，由于成本、难度或高流失率，密集的时间序列追踪是不可能的，留给研究者的数据集是每个单元仅在非规则间隔内被观测一次或少数几次。

从数学上讲，从未配对的横截面数据中推断个体的连续向量场是一个严重病态的逆问题。现有方法面临一种二分困境：

序列模型（如潜在常微分方程 Latent ODEs）需要密集的时间序列来传播梯度并学习时间表示；它们在仅有 1 到 3 个快照时失效。
横截面方法（如最优传输 Optimal Transport、流匹配 Flow Matching）映射总体分布，但“追踪人群”，丢失了所有个体身份和动态。
情境动态模型将参数条件化于静态情境，但普遍需要密集的顺序观测来拟合路由函数。

核心问题是：如果集合具有情境结构，是否可能从孤立的快照中严格预测个体的连续时间轨迹？

方法论：CADENCE

作者提出了CADENCE（用于动态估计的情境原型与扩散编码，Contextual Archetypes and Diffusion ENCodings for Dynamics Estimation），这是一个概率框架，通过将潜在动态锚定到静态的个体级情境中，恢复连续的个体轨迹。该方法依赖于三个基于叶状理论、非线性可观测性和凸几何的结构假设：

动态叶状假设 (DFA)：情境空间可以被划分，使得划分（叶）内的单元共享相同的动态参数。这使得处于后期阶段的单元的观测值可以监督情境匹配的早期阶段单元的未来。
情境可观测性假设 (COA)：静态情境包含足够的信息来识别单元的动态机制（叶成员身份），尽管不能直接识别具体参数。
流形正则性假设 (MRA)：动态参数空间位于一个紧致子流形上，并且可以近似为有限组“原型”专家的凸组合。

架构组件

该架构是这些理论约束的直接实现：

基于分数的双射 PF-ODE（空间编码器）：为了解决潜在空间的不可识别性（其中无限多个微分同胚可以解释数据），空间映射被实现为通过去噪分数匹配训练的基于分数的概率流 ODE。这将潜在空间固定为标准高斯分布，将对称群从无限维微分同胚群坍缩为等距群的紧致子群。
软混合专家 (SMoE) 路由器：一个神经网络将静态情境映射到路由权重 ( $\alpha$ )，这些权重形成共享专家参数基 ( $W$ ) 的凸组合。这实现了 MRA，允许模型将连续的动态机制表示为基本原型的混合。
FiLM 条件化：生成的个体参数向量通过特征级线性调制 (Feature-wise Linear Modulation) 对共享的神经 ODE 向量场进行条件化。

训练策略

为了避免通过级联 ODE 进行端到端反向传播的计算瓶颈 ( $O(Steps_{spatial} \times Steps_{temporal})$ )，CADENCE 采用解耦的两阶段训练方案：

阶段 1（空间编码）：空间编码器通过 $(x, c)$ 对的去噪分数匹配进行训练，然后被冻结。所有观测值被离线编码为潜在状态。
阶段 2（时间动态）：时间模块在低维潜在空间中进行训练。
- 如果存在稀疏的后续数据，则使用半纵向目标（潜在均方误差）。
- 对于纯粹的横截面数据，使用横截面分布目标。这最小化了模型预测的条件边缘分布（按专家分组）与参考边缘分布之间的最大均值差异 (MMD)，在不需要匹配的时间对的情况下强制集合层面的一致性。

主要贡献

可识别性理论：本文提供了单次时间点轨迹推断的首个严格可识别性保证。它证明了在上述三个结构假设和空间先验下，完整的生成系统（空间编码器、ODE 向量场和路由函数）在无害的等距变换下是可识别的。
新学习范式：它正式弥合了横截面最优传输与密集序列建模之间的差距，证明了可以从每个单元 $\le 3$ 个观测值中推断出个体连续时间轨迹。
解耦架构与性能：提出的两阶段训练显著降低了计算成本。经验表明，CADENCE 严格在稀疏快照上训练，其性能匹配或超过了在密集完整轨迹数据上训练的最先进序列模型。

结果

作者在一系列七个基准测试上评估了 CADENCE，范围从受控动态系统（Lotka-Volterra、Van der Pol）到高维生物医学（基因表达、单细胞基因组学）。

定量性能：在所有基准测试中，CADENCE 在低维设置中实现了最低的绝对误差 (MAE)，并在高维设置中保持了极强的竞争力。关键在于，它保持了优异的切片 Wasserstein 距离 (SW2) 分数，表明其正确捕捉了总体分布，而在密集数据上训练的序列模型在稀疏数据测试中往往表现出严重的分布漂移。
子群恢复：在具有异质动态的实验（如 BM1、BM6）中，CADENCE 成功以无监督方式恢复了真实的子群结构（例如，BM1 中路由准确率为 94%，BM6 中为 85%），而基线模型要么坍缩为单一均值，要么发散。
现实世界应用 (BM7)：在 LARRY 造血数据集上，CADENCE 实现了最先进的命运预测准确率（67.8% 对比最佳基线的 58.5%）和更优的群体级分布距离，证明了其可扩展至主要的现实世界动态系统。
消融实验：移除 SMoE 路由器导致性能严重下降，验证了情境驱动路由的必要性。同样，通过 PF-ODE 进行的空间压缩被证明对于高维设置下的稳定性至关重要。

意义与主张

本文声称打破了总体质量传输与数据饥渴型序列潜在模型之间长期存在的二分法。通过将稀疏横截面快照通过情境锚定严格转化为有效的纵向信号，CADENCE 使得在无法进行完整纵向追踪的领域中实现个体化、连续时间预测成为可能。

作者强调，该架构并非启发式选择的集合，而是实现可识别性所需特定几何和动态约束的最小化实现。他们承认局限性，指出恢复轨迹的有效性取决于结构假设是否成立；具体而言，如果静态情境中缺少决定动态原型的关键信息（违反 COA），模型可能会退化为集合层面的传输流。然而，在具有丰富情境信息的设置中，该框架为以前无法解决的问题提供了原则性解决方案。