Active Timepoint Selection for Learning Measure-Valued Trajectories

Motivation

• Known: 단일세포 생물학 등에서 희소한 스냅샷으로부터 확률 경로를 보간하는 방법(flow-matching, score-matching, Schrödinger bridge 등)은 이미 존재하며, 유클리드 공간에서의 active learning(불확실성 샘플링, query-by-committee, Bayesian experimental design 등)도 잘 확립되어 있다.
• Gap: 기존 distributional interpolation 방법들은 고정된 스냅샷에 대해 단일 확률 흐름만 재구성할 뿐 인식적 불확실성(epistemic uncertainty)을 제공하지 않으며, 표준 GP 기반 active learning은 유클리드 메트릭을 전제하므로 무한차원 Wasserstein 공간에 위치한 확률 측도에는 직접 적용할 수 없다.
• Why: 단일세포 전사체 실험처럼 스냅샷 획득이 파괴적이고 시점당 수천 달러가 소요되는 상황에서, 어떤 시점을 측정할지 전략적으로 선택하는 것은 제한된 예산 하에서 궤적 추정 품질을 크게 좌우하므로 실용적 가치가 크다.
• Approach: 각 스냅샷 측도를 기준 측도에 대한 접공간(tangent space)으로 LOT를 통해 선형화한 뒤, 저차원으로 압축한 계수에 warped Gaussian Process 사전분포를 두어 확률적 대리 모델(probabilistic surrogate)을 구성하고, GP의 posterior 불확실성을 이용해 다음 측정 시점을 선택하는 acquisition policy를 설계한다.

Achievement

Figure 4. Visualization of adaptive timepoint selection. (Top) The

1. 문제 정형화: measure-valued trajectory에 대한 active learning 문제를 최초로 정식화하여 active experimentation을 확률 측도 공간으로 확장하였다.
2. Tractable probabilistic surrogate 구축: LOT와 multi-output GP를 결합하여 Wasserstein 공간에서 다루기 쉬운 확률적 대리 모델을 제시하고, 이를 통해 epistemic uncertainty를 정량화하였다.
3. 비정상성(non-stationarity) 대응: 시간 warping을 통해 세포 분화처럼 속도가 급격히 변하는 비정상적 동역학에도 대응 가능한 acquisition 전략을 설계하였다.
4. 경험적 검증: 합성 데이터와 실제 단일세포 재프로그래밍 데이터셋에서 제안한 acquisition 전략이 균등/무작위 baseline 대비 우수한 성능을 보임을 입증하였다.

How

Figure 2. Overview of the methodology. (Left) Probability measures µ, ν in Wasserstein space P2(X) are projected onto th

• 확률 경로 {µt}를 Wasserstein 공간 P2(X) 상의 시간 함수로 정의하고, 관측된 스냅샷 데이터셋 D = {(ti, μ̂ti)}로부터 이를 추정하는 문제를 설정.
• Linearized Optimal Transport(LOT)를 사용해 각 μt를 고정 기준 측도에서의 tangent vector로 매핑하여 무한차원 비유클리드 공간을 선형화.
• 얻어진 tangent vector들을 저차원 표현으로 압축한 뒤, 시간에 대한 warped Gaussian Process를 이를 위에 두어 온도별 계수의 사전분포를 구성.
• GP posterior로부터 얻은 분산(불확실성)을 acquisition function으로 활용해 다음 측정 시점 t*를 반복적으로 선택.
• 합성 데이터와 단일세포 재프로그래밍 실데이터에서 uniform/random 선택 baseline과 비교 실험 수행.

Originality

• 기존 active learning 연구는 대부분 유클리드 공간의 스칼라/벡터 출력에 초점을 맞췄으나, 본 연구는 무한차원 Wasserstein 공간의 measure-valued 출력에 대해 active learning을 최초로 정식화함.
• distribution regression, flow-matching, Schrödinger bridge 등 기존 분포 보간 기법들이 제공하지 못했던 epistemic uncertainty를 LOT와 GP의 결합을 통해 tractable하게 도입한 점이 독창적.
• LOT는 기존에 분류·barycenter 추정 등 패턴 인식 작업에 주로 사용되었으나, 이를 active timepoint selection이라는 새로운 문제에 적용한 것이 새로운 응용.

Limitation & Further Study

• LOT는 기준 측도로의 선형화를 전제로 하므로, 측도 간 이동이 매우 크거나 topology가 복잡한 경우 선형 근사의 오차가 클 수 있음에 대한 이론적 분석이 부족해 보임.
• 실험이 합성 데이터와 단일 실제 데이터셋(재프로그래밍)에 국한되어 있어, 더 다양한 도메인(예: 다른 생물학적 과정, 고차원 유전자 발현) 및 대규모 데이터셋에서의 일반화 검증이 필요.
• 측정 시간이 순서와 무관하다는 가정이 실제 실험 제약(예: 순차적 파괴적 샘플링, 장비 접근성)과 항상 부합하지 않을 수 있어, 실제 배치(batch) 또는 순차적 제약 하의 acquisition 정책으로의 확장이 후속 연구로 필요.
• 저차원 압축 및 warped GP의 하이퍼파라미터 선택이 성능에 미치는 영향에 대한 민감도 분석이 제한적으로 보임.

Evaluation

총평: Wasserstein 공간에서의 active learning이라는 개념적으로 참신하고 실용적으로 중요한 문제를 LOT와 GP의 결합이라는 비교적 간결하고 tractable한 방식으로 해결한 좋은 연구이나, 실험 범위와 이론적 정당성에 대한 추가 검증이 뒷받침되면 더욱 완성도가 높아질 것으로 보인다.