Neue ODE-basierte Methode garantiert identifizierbare Übersetzungen

In der Welt der unpaired Domain‑Translation hat die Diversified Distribution Matching (DDM) Methode bisher die Lücke bei der Content‑Alignment‑Problematik geschlossen, indem sie eine einheitliche Übersetzungsfunktion für verschiedenartige Quellverteilungen bereitstellt. Doch bislang war DDM ausschließlich mit GANs realisierbar – ein Ansatz, der nicht nur schwer zu trainieren ist, sondern auch keine Transporttrajektorien liefert, die in Bereichen wie der Einzelzell‑Evolution oder der Robotikplanung von großem Nutzen wären.

Die neue Arbeit präsentiert Diversified Flow Matching (DFM), ein ODE‑basiertes Framework, das die Stärken von DDM mit der Stabilität und Trajektorieninformation von Fluss‑Matching kombiniert. Durch einen maßgeschneiderten Bilevel‑Optimierungs‑Loss, einen nichtlinearen Interpolanten und eine strukturelle Neugestaltung gelingt es DFM, die Übersetzungsfunktion selbst zu lernen – ein bisher unerreichtes Ziel in der ODE‑Domäne.

DFM ist damit die erste Methode, die Translation Identifiability in einem ODE‑Framework garantiert. Umfangreiche Tests an synthetischen und realen Datensätzen zeigen, dass die neue Technik nicht nur stabil trainiert, sondern auch präzise Trajektorien liefert, die für Anwendungen wie Zell‑Entwicklungsanalysen und Robotikplanung unmittelbar nutzbar sind.