跳转至

WFR-FM: Simulation-Free Dynamic Unbalanced Optimal Transport

作者: Qiangwei Peng, Zihan Wang, Junda Ying, Yuhao Sun, Qing Nie, Lei Zhang et al.
来源: XAGI 2026 交叉智能大会 · Session 07 扩散模型的理论基础以及推理测算法 · 返回会议场次
报告: Simulation-Free Dynamic Unbalanced Optimal Transport and One-step Inference · 讲者 周沛劼(北京大学 · 前沿交叉学科研究院)
论文: arXiv:2601.06810

本页是会议报告的对应论文长篇精读;会议现场的报告摘要见场次页。


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是动态最优传输(Dynamic Optimal Transport)的流匹配(Flow Matching)求解范式。其根本科学问题是:给定两个(或多个)时间快照上的分布(如单细胞测序数据在不同时间点的细胞状态分布),如何恢复一个连续、可解释的动力学过程——既包括状态空间的位移(transport),也包括质量的生灭(birth/death,即细胞增殖与凋亡)。该方向的成熟度处于快速上升期:流匹配(Flow Matching, Lipman et al., 2023)自2022年提出后,已成为生成建模的主流范式之一,而将其从不平衡分布(unbalanced distributions)推广到允许质量变化的场景,是当前的前沿热点。本文的定位是在Wasserstein-Fisher-Rao(WFR)度量下,给出一个完全无需模拟ODE的流匹配训练算法,并证明其能精确恢复WFR测地线。

发展脉络

奠基工作:动态最优传输与WFR度量。 动态OT的现代框架由Benamou & Brenier (2000)建立,将静态Kantorovich问题(Kantorovich, 1942)重新表述为最小作用量问题。WFR度量(Chizat et al., 2018a;b; Liero et al., 2018)将动态OT推广到非平衡测度,通过在连续性方程中引入源项(source term)来刻画质量的生灭。这一度量的关键性质是:两个Dirac测度之间的WFR测地线有闭式解(traveling Dirac),这为后续的流匹配构造提供了基础。

主要进展:流匹配与OT的融合。 流匹配(Lipman et al., 2023)提出了一种免模拟的训练范式:通过回归条件向量场来学习概率路径,避免了连续归一化流(CNF)中反复求解ODE的高昂代价。随后,OT-CFM(Tong et al., 2024a)将OT耦合引入流匹配,使得学到的路径更直、训练更稳定。在此基础上,一系列工作开始探索不平衡设定:UOT-FM(Eyring et al., 2024)用静态不平衡OT替换平衡OT耦合;UFM(Corso et al., 2025)允许任意耦合并显式惩罚质量失配;VGFM(Wang et al., 2025)则引入半约束OT,联合学习速度场和增长率。这些工作构成了本文的直接竞争谱系。

当前frontier:从"只学速度"到"速度+增长率"的联合学习。 本文指出,已有不平衡流匹配方法存在两个关键缺口:其一,多数方法只回归速度场,增长率要么被忽略、要么事后估计,缺乏与OT几何的一致性;其二,VGFM虽然联合学习两者,但其半约束OT的耦合与WFR度量不一致,且仍需ODE模拟进行后处理精修。本文的贡献在于:在WFR度量下,利用traveling Dirac的闭式解构造条件路径,同时回归速度场和增长率函数,并证明该训练目标等价于最小化WFR作用量,从而在理论上保证恢复WFR测地线。

本文的位置:它是"流匹配 + 不平衡OT"这条线的理论收口之作——不是提出一个新的OT变体,而是证明了一个精确的等价性:WFR-FM的损失函数(在无穷样本极限下)恰好是WFR动态问题的对偶形式。这使得流匹配从"近似求解OT"升级为"精确求解WFR"。

子线索聚类

被引文献大致落在三条子线索上:

  1. 动态OT与WFR度量理论(Chizat et al., 2018a;b; Liero et al., 2018; Kondratyev et al., 2016; Benamou & Brenier, 2000):建立WFR度量的动态-静态等价性、traveling Dirac闭式解、以及OET(最优熵传输)表示。这是本文的理论地基。

  2. 流匹配与免模拟生成模型(Lipman et al., 2023; Liu et al., 2022; Albergo & Vanden-Eijnden, 2022; Tong et al., 2024a; Pooladian et al., 2023):建立条件路径回归的训练范式,以及OT耦合如何改善路径质量。本文的算法框架直接继承自此。

  3. 不平衡流匹配与单细胞轨迹推断(Eyring et al., 2024; Corso et al., 2025; Wang et al., 2025; Rohbeck et al., 2025; Lee et al., 2025; Sha et al., 2024; Zhang et al., 2025a; Sun et al., 2025):将流匹配推广到质量变化场景,应用于单细胞数据。本文的直接竞争与超越对象。

这个方向在追问的核心问题

  1. 如何在不平衡设定下定义"最优"动力学? WFR度量给出了一个几何上自然的选择(最小化速度与增长率的加权作用量),但其他选择(如UOT-FM的静态UOT、VGFM的半约束OT)是否在特定应用场景下更合适?这是一个未决问题。
  2. 免模拟训练是否真的能替代ODE模拟? 本文声称完全免模拟,但VGFM的实践表明,ODE模拟的后处理精修能显著提升性能。免模拟的代价是什么?在什么条件下可以忽略?
  3. 增长率函数的可辨识性:从快照数据中恢复增长率,本质上是一个病态逆问题。本文通过WFR几何给出了一个正则化选择,但这是否是生物学上正确的选择?缺乏不确定性量化(uncertainty quantification)是本文明确承认的局限。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口frame成:"已有不平衡流匹配方法要么只学速度、忽略增长率(UOT-FM, UFM),要么虽然联合学习但耦合与WFR度量不一致且仍需ODE模拟(VGFM)。因此,'在WFR度量下同时回归速度与增长率、且完全免模拟'是显然的下一步。" 被淡化的竞争路线包括:基于Schrödinger桥的方法(如Koshizuka & Sato, 2023; Shi et al., 2024),这些方法天然处理不平衡且具有随机性,但计算代价更高;以及基于静态UOT的UOT-FM,作者仅以"忽略增长率"一笔带过,未深入讨论UOT-FM在纯分布匹配任务中可能具有的计算优势。明显该被引、却没出现在intro里的工作:Schrödinger桥与流匹配的近期结合(如Shi et al., 2024的SB-FM),以及关于流匹配中条件路径选择的理论分析(如Pooladian et al., 2023关于minibatch OT耦合的方差分析)——后者与本文的minibatch策略直接相关,却未在intro中讨论。

张力

未见明显对立引用。但存在一个微妙的张力:VGFM(Wang et al., 2025)的实践表明,半约束OT + ODE模拟精修能取得强结果;而本文的理论表明,WFR度量下的免模拟训练在作用量意义上更优。这两者并不直接矛盾(因为VGFM的耦合确实偏离WFR几何),但暗示了一个未解决的问题:在有限样本、有限训练时间下,是"正确的几何 + 免模拟"还是"近似的几何 + 模拟精修"更优? 本文的实验(表2)显示WFR-FM在作用量上更接近静态参考值,但未报告与VGFM在最终下游任务(如细胞命运预测)上的对比。


二、最核心、最简单的例子 / 数学基础

第一步:符号、模型、可观测数据

符号清单(逐个点名):

记号 含义 类型
\(\mu_0(x), \mu_1(x)\) 时间 \(t=0\) 和 \(t=1\) 的分布密度 可观测(样本)
\(\rho_t(x)\) 时间 \(t\) 的边际测度路径 潜在(要估计的中间量)
\(u_t(x)\) 速度场(transport velocity) 潜在(要估计)
\(g_t(x)\) 增长率函数(birth/death rate) 潜在(要估计)
\(\delta\) WFR度量中平衡传输与生灭的超参数 已知(用户设定)
\(\gamma_0(x,y), \gamma_1(x,y)\) 半耦合(semi-coupling) 潜在(静态WFR的解)
\(m_t(z)\) 条件路径的质量(mass) 潜在(由边界条件决定)
\(\tilde{\rho}_t(x\|z)\) 条件概率密度路径 潜在(构造的)
\(v_\theta(x,t)\) 参数化的速度场网络 模型参数
\(g_\phi(x,t)\) 参数化的增长率网络 模型参数
\(W_1\) 1-Wasserstein距离 评估指标
RME 相对质量误差 评估指标

模型(数据生成机制):

  • 动态WFR问题(式3.3):在连续性方程 \(\partial_t \rho_t + \nabla \cdot (\rho_t u_t) = \rho_t g_t\) 的约束下,最小化作用量

    \[\int_0^1 \int_{\mathbb{R}^d} \left( \frac{1}{2}\|u_t(x)\|^2 + \frac{\delta^2}{2}\|g_t(x)\|^2 \right) \rho_t(x) \, dx \, dt\]
    边界条件 \(\rho_0 = \mu_0, \rho_1 = \mu_1\)。

  • 静态WFR-OET问题(式3.8):在 \(\mathbb{R}^{2d}\) 上最小化

    \[\int_{\mathbb{R}^{2d}} \left( \frac{\|x-y\|_2^2}{2} - 2\delta^2 \ln \cos\left( \frac{\|x-y\|_2}{2\delta} \right) \right) \gamma(x,y) \, dx \, dy + \text{KL}(\gamma_0 \|\mu_0) + \text{KL}(\gamma_1 \|\mu_1)\]
    其中 \(\gamma_0(x) = \int \gamma(x,y)dy\),\(\gamma_1(y) = \int \gamma(x,y)dx\)。

  • 可观测数据:\(K+1\) 个时间点的分布样本 \(\{x^{(i)}_{t_k}\}_{i=1}^{n_k}\),\(k=0,\dots,K\)。注意:没有配对信息(同一细胞在不同时间点无法追踪),这是单细胞数据的本质约束。研究者能观测到的是每个时间点的边际分布,而非联合分布或轨迹。

  • 关键假设:

  • 分布是绝对连续的(密度存在)。
  • 每个时间段的WFR问题可独立求解(Proposition 5.1保证多时间点分解为相邻时间对的WFR问题)。
  • 条件路径采用traveling Gaussian(式4.8),其均值由traveling Dirac的解析解给出。
  • 增长率 \(g_t(x)\) 在条件路径上是空间常数(即 \(g_t(x|z) = \partial_t \ln m_t(z)\),不依赖 \(x\)),这是简化假设,使得条件路径的构造成为可能。

第二步:最小内核

剥掉所有一般性假设后,本文的核心数学问题是:

给定两个总质量不同的分布 \(\mu_0\) 和 \(\mu_1\),如何构造一个连续路径 \(\{\rho_t\}_{t\in[0,1]}\),使得它恰好是WFR度量下的测地线,并且这个路径可以通过回归(而非模拟)来学习?

最简例子:考虑 \(d=1\),\(\mu_0 = \delta_{x_0}\)(质量为 \(m_0\) 的Dirac测度),\(\mu_1 = \delta_{x_1}\)(质量为 \(m_1\) 的Dirac测度)。WFR度量下,两个Dirac之间的测地线是traveling Dirac(Chizat et al., 2018a):

  • 位置:\(x_t = x_0 + t(x_1 - x_0)\)(匀速直线运动)
  • 质量:\(m_t = m_0 + t(m_1 - m_0)\)(线性生灭)
  • 速度:\(u_t = x_1 - x_0\)(常数)
  • 增长率:\(g_t = \frac{m_1 - m_0}{m_t}\)(由质量变化率决定)

为什么这个例子是核心:因为WFR度量的关键性质是——任意两个分布的WFR测地线,都可以分解为Dirac测地线的叠加。具体来说,如果 \(\gamma_0(x_0,x_1)\) 是静态WFR问题的半耦合,那么最优动态路径就是沿着每个配对 \((x_0,x_1)\) 的traveling Dirac运动,然后按 \(\gamma_0\) 加权平均。这就是本文式(4.8)中traveling Gaussian的构造逻辑:条件路径的均值由traveling Dirac给出,方差为 \(\sigma^2 I\)(正则化项),质量 \(m_t\) 由边界条件 \(m_0=1, m_1 = \gamma_1/\gamma_0\) 决定。

证明的骨架(Theorem 4.2的核心逻辑):

  1. 条件路径构造:对每个配对 \((x_0,x_1) \sim \gamma_0\),定义条件路径 \(\rho_t(x|x_0,x_1) = m_t(x_0,x_1) \cdot \mathcal{N}(x | x_0 + \omega_0 \Lambda_t, \sigma^2 I)\),其中 \(m_t\) 由式(3.5)给出,\(\Lambda_t\) 是traveling Dirac的位置积分。

  2. 边际路径:\(\rho_t(x) = \int \rho_t(x|x_0,x_1) \gamma_0(x_0,x_1) dx_0 dx_1\)。

  3. 关键等式:通过直接计算(Appendix A.5),可以证明 \(\rho_0 \to \mu_0\) 且 \(\rho_1 \to \mu_1\)(当 \(\sigma \to 0\)),且 \(\rho_t\) 满足带源项的连续性方程。

  4. 最优性:利用WFR度量的凸性(Lemma A.1),以及traveling Dirac是Dirac测度间WFR测地线的事实,可以证明 \(\rho_t\) 是WFR测地线(Appendix A.5中的不等式链)。

  5. 损失等价性:Theorem 4.2证明,流匹配损失 \(L_{UFM}\) 与条件流匹配损失 \(L_{CUFM}\) 的梯度相等(相差一个与参数无关的常数),因此可以用条件损失训练,而条件损失是免模拟的。

为什么这个证明是"干净"的:因为traveling Dirac的闭式解(式3.5-3.6)提供了条件路径的解析形式,使得条件速度场和增长率都可以显式计算,无需任何ODE求解。这是与VGFM(需要模拟)的本质区别。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:如何在不平衡分布(总质量不同)之间,以完全免模拟(simulation-free)的方式学习动态最优传输路径,同时恢复速度场和增长率函数。
  2. 核心方法:将WFR度量下的动态OT问题与流匹配训练框架结合,利用traveling Dirac的闭式解构造条件路径,同时回归速度场 \(v_\theta(x,t)\) 和增长率 \(g_\phi(x,t)\),并证明该训练目标在理论上精确恢复WFR测地线。
  3. 主要结论:WFR-FM在合成数据(Gene, Dyngen, 1000D Gaussian)和真实单细胞数据(EMT, EB, CITE, Mouse)上均取得最优或接近最优的分布匹配精度(\(W_1\))和质量匹配精度(RME),同时训练时间显著低于基于ODE模拟的方法(如TIGON, DeepRUOT)。

关键设定与假设

  • WFR度量(式3.3):动态OT的推广,通过在连续性方程中引入源项 \(\rho_t g_t\) 来建模质量生灭。相比平衡OT(质量守恒),WFR允许 \(\int \rho_t dx\) 随时间变化。相比UOT-FM(基于静态UOT),WFR保留了动态OT的测地线几何。
  • Traveling Dirac闭式解(式3.5-3.6):两个Dirac测度间WFR测地线的解析形式。这是本文方法的核心——它使得条件路径的构造成为可能,无需数值求解。
  • 条件高斯路径(式4.8):在traveling Dirac的均值上叠加高斯噪声(方差 \(\sigma^2\)),作为正则化。\(\sigma\) 是超参数,控制路径的随机性。
  • 半耦合构造(Theorem 3.1):静态WFR-OET问题的最优半耦合 \(\gamma_0, \gamma_1\) 可以通过最优传输耦合 \(\gamma\) 构造。这保证了条件路径的边界条件正确。
  • Minibatch策略:为扩展到大规模数据,采用minibatch WFR-OET近似全局耦合。作者承认这是近似,但实验表明在batch size ≥ 2000时性能接近full-batch。

主要结果

理论结果: - Theorem 3.1:静态WFR问题(式3.7)与OET问题(式3.8)的等价性,以及最优半耦合的构造方式。这为条件路径的边界条件提供了理论保证。 - Theorem 4.1:边际速度场和增长率由条件速度场和条件增长率的加权平均给出(式4.4),且边际路径满足带源项的连续性方程。这是流匹配"边际vs条件"等价性的不平衡推广。 - Theorem 4.2:\(L_{UFM}\) 与 \(L_{CUFM}\) 的梯度等价(相差常数),因此可以用免模拟的条件损失训练。这是本文的核心理论贡献——它表明流匹配的免模拟训练范式可以推广到不平衡OT。 - Proposition 4.2:traveling Gaussian的边际边界分布在 \(\sigma \to 0\) 时收敛到 \(\mu_0, \mu_1\),且路径是WFR测地线。 - Proposition 4.3:\(\delta \to \infty\) 时,WFR-FM退化为平衡OT-CFM(Tong et al., 2024a),即质量守恒情形。

实证结果(关键数字): - 合成数据:在Gene数据集上,WFR-FM的 \(W_1\) 为0.019,显著优于VGFM(0.046)、UOT-FM(0.093)和TIGON(0.148);RME为0.001,接近零。在Dyngen上,\(W_1\) 为0.135,优于VGFM(0.598)和TIGON(0.965)。在1000D Gaussian上,\(W_1\) 为2.233,优于VGFM(3.010)和UOT-FM(2.771)。 - 真实数据:在EMT上,\(W_1\) 为0.298,优于所有baseline;在EB上,\(W_1\) 为10.157,与VGFM(10.370)相当;在CITE上,\(W_1\) 为27.831,优于VGFM(29.449);在Mouse上,\(W_1\) 为5.486,大幅优于VGFM(6.274)。 - 效率:在EB数据集上,WFR-FM训练时间约131秒,而TIGON和DeepRUOT需要数小时(因ODE模拟)。minibatch策略(batch size 2000)比full-batch快约2倍,性能损失可忽略。

证明路线与技术技巧

整体路线(5步): 1. 静态→动态:利用WFR度量的动态-静态等价性(Chizat et al., 2018b),将动态OT问题转化为静态半耦合问题。 2. 半耦合构造:通过OET问题的最优耦合 \(\gamma\) 构造半耦合 \(\gamma_0, \gamma_1\)(Theorem 3.1)。 3. 条件路径设计:对每个配对 \((x_0,x_1)\),构造traveling Gaussian条件路径,其均值和质量由traveling Dirac闭式解给出。 4. 边际化:证明边际路径满足带源项的连续性方程,且边际速度场和增长率是条件量的加权平均(Theorem 4.1)。 5. 损失等价性:证明 \(L_{UFM}\) 与 \(L_{CUFM}\) 梯度等价(Theorem 4.2),从而可以用免模拟的条件损失训练。

技术技巧: - Traveling Dirac闭式解:这是整个方法的基石。它使得条件速度场 \(u_t(x|z) = \omega_0/m_t\) 和增长率 \(g_t(x|z) = \partial_t \ln m_t\) 都可以解析计算,无需数值ODE求解。 - 质量加权损失:在条件流匹配损失中引入质量权重 \(m_t(z)\)(式4.7),这是与平衡流匹配的关键区别——它确保了边际损失与条件损失的等价性。 - Minibatch WFR-OET:借鉴OT-CFM的minibatch策略,但针对不平衡情形做了适配(需要同时估计 \(\gamma_0, \gamma_1\) 的边际)。 - 定理4.2的证明技巧:通过展开 \(L_{UFM}\) 中的平方项,利用条件速度场的线性性(在traveling Gaussian下),将交叉项消去,从而得到与 \(L_{CUFM}\) 的等价性。这个技巧在平衡流匹配中已有先例(Lipman et al., 2023),但本文将其推广到带质量权重的非平衡情形。

🔎 结论是否比证明窄

是的,存在几处"证明窄于结论"的地方:

  1. Theorem 4.2的假设:证明要求 \(\rho_t(x) > 0\) 对所有 \(x,t\) 成立。这在实践中意味着分布必须有重叠支撑(overlapping support)。但真实单细胞数据中,某些细胞类型可能只在特定时间点出现(如瞬时增殖状态),此时 \(\rho_t\) 可能在某些区域为零。作者在实验中没有讨论这一假设是否满足。

  2. Proposition 4.2的收敛性:证明的是 \(\sigma \to 0\) 时边界分布收敛,但没有给出收敛速率。在实际实现中,\(\sigma\) 是固定的超参数(实验中设为0.1),因此存在一个"正则化偏差"——学到的路径严格来说不是WFR测地线,而是其高斯平滑版本。作者没有分析这个偏差的大小。

  3. Minibatch近似的理论保证:作者承认minibatch WFR-OET是近似,但没有给出近似误差的界。Table 8显示batch size 2000时性能接近full-batch,但这是经验观察,没有理论解释。

  4. 增长率估计的可靠性:Table 4报告了增长率相关性(\(g_{corr}=0.9913\)),但这是在合成数据上,且只报告了相关性,没有报告绝对误差。在真实数据上,增长率估计的可靠性没有验证(因为真实增长率未知)。

  5. 多时间点分解的假设:Proposition 5.1要求相邻时间段的WFR问题独立。但真实数据中,细胞状态的时间演化可能具有记忆性(如基因调控网络的状态依赖),此时独立分解可能不成立。作者在讨论中提到了这一点,但没有给出缓解方案。


四、开放问题

  1. 支撑重叠假设的检验:Theorem 4.2要求 \(\rho_t(x) > 0\) 对所有 \(x,t\) 成立。在单细胞数据中,如何处理瞬时细胞类型(transient cell types)导致的零质量区域?这是否需要修改条件路径的构造?

  2. 增长率估计的不确定性量化:本文没有提供增长率函数 \(g_\phi(x,t)\) 的置信区间或后验分布。在生物学应用中,研究者需要知道哪些基因调控关系的估计是可靠的。能否将WFR-FM与贝叶斯推断结合?

  3. minibatch近似的理论分析:minibatch WFR-OET的近似误差如何随batch size、数据维度、分布不平衡程度变化?是否存在一个"相变"阈值,低于该阈值时近似失效?

  4. 多时间点全局一致性:Proposition 5.1的独立分解假设在什么条件下失效?当时间点间隔不均匀或存在缺失时间点时,如何保证全局最优性?这与多边际Schrödinger桥方法(如MMSFM, Lee et al., 2025)的关系是什么?

  5. 增长率函数的可辨识性:从有限快照中恢复增长率 \(g(x,t)\) 本质上是不适定问题。WFR度量的选择提供了一种正则化,但这是否是生物学上正确的先验?能否利用额外的生物学约束(如基因调控网络结构)来改进可辨识性?

  6. 与因果推断的接口:WFR-FM恢复的动力学是"观测到的"分布变化,而非"干预后的"分布变化。在单细胞数据中,如何将WFR-FM扩展到干预分布(如基因敲除后的细胞状态)?这需要将WFR度量与因果模型(如do-演算)结合。


提醒:要确认上述开放问题是否是真gap,建议去读以下子领域的近期综述和论文intro(各约5篇):(1) unbalanced optimal transport 的深度学习方法;(2) flow matching 在单细胞轨迹推断中的应用;(3) Schrödinger bridge 与流匹配的统一视角。如果多个独立工作的intro都指向同一个问题,那大概率是共识性gap;如果互相打架,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source

评论