Framework di Apprendimento Attivo per Percorsi di Probabilità sullo Spazio di Wasserstein

I ricercatori hanno introdotto un framework per l'apprendimento attivo su traiettorie con valori di misura, affrontando la sfida di inferire percorsi di probabilità continui da istantanee sparse in domini come la biologia unicellulare. Il metodo utilizza il Trasporto Ottimale Linearizzato (LOT) per mappare le istantanee di distribuzione in uno spazio tangente compatibile con la modellazione a Processo Gaussiano, consentendo la quantificazione dell'incertezza epistemica. Ciò permette la selezione strategica dei tempi di misurazione ottimali, superando i limiti delle metriche euclidee standard sullo spazio di Wasserstein a dimensione infinita. Il lavoro è pubblicato su arXiv con identificatore 2605.30625.