Entrenamiento Supervisado de Mapas Monge Condicionales

La teoría del transporte óptimo (OT) describe los principios generales para definir y seleccionar, entre muchas opciones posibles, la forma más eficiente de mapear una medida de probabilidad en otra. Esa teoría se ha utilizado principalmente para estimar, dado un par de medidas de probabilidad de origen y destino. un mapa parametrizado que puede mapear eficientemente sobre . En muchas aplicaciones, como predecir las respuestas celulares a los tratamientos, los datos miden (características de las células no tratadas/tratadas) que definen los problemas óptimos de transporte no surgen de forma aislada, sino que están asociados con un contexto (el tratamiento). Para tener en cuenta e incorporar ese contexto en la estimación de OT, presentamos CondOT, un enfoque para estimar mapas de OT condicionados a una variable de contexto, utilizando varios pares de medidas. etiquetado con una etiqueta de contexto . Nuestro objetivo es aprender un global mapa que no sólo se espera que encaje todos los pares en el conjunto de datos es decir, pero debería generalizar para producir mapas significativos condicionado en contextos invisibles . Nuestro enfoque aprovecha y proporciona un uso novedoso para parcialmente redes neuronales convexas de entrada, para lo cual presentamos una estrategia de inicialización robusta y eficiente inspirada en aproximaciones gaussianas. Demostramos la capacidad de CondOT para inferir el efecto de una combinación arbitraria de perturbaciones genéticas o terapéuticas en células individuales, utilizando solo observaciones de los efectos de dichas perturbaciones por separado.