В России разработали метод обучения ИИ для анализа фрагментарных научных данных

Исследователи из AIRI, «Сколтеха» и МФТИ представили метод iJKOnet для моделирования динамики систем по разрозненным наблюдениям. Подход сочетает схему JKO с обратной оптимизацией и может быть полезен для анализа биологических, метеорологических и эпидемиологических данных.

Исследователи из AIRI, «Сколтеха» и МФТИ представили метод iJKOnet для восстановления динамики систем по дискретным «снимкам» данных, когда траектории отдельных объектов недоступны. Работа опубликована в материалах ICLR 2026, препринт также доступен на arXiv.

Метод сочетает схему Джордана — Киндерлерера — Отто (JKO) с обратной оптимизацией и обучается end-to-end в состязательной постановке. Авторы отмечают, что подход не требует жёстких ограничений на архитектуру нейросетей, например input-convex neural networks, и показывает лучшие результаты по сравнению с предыдущими JKO-подходами.

Такие задачи возникают в биологии, метеорологии, эпидемиологии и других областях, где наблюдения собирают в отдельные моменты времени. В статье iJKOnet проверили на синтетических данных и на наборе scRNA-seq, описывающем дифференцировку человеческих эмбриональных стволовых клеток в течение 27 дней.