계통 정보를 활용한 피스너 기하학 기반 궤적 추정

본 논문은 시간에 따라 관측되는 데이터(예: 단일세포 전사체)에서 관측되지 않은 시점의 궤적을 추정하는 문제를 다룬다. 기존 연구는 주로 연속적인 공간적 특성을 이용해 데이터 의존적인 리만(Riemannian) 메트릭을 학습하고, 이를 기반으로 최적 전송(OT)이나 흐름 매칭(Flow Matching)으로 지오데식을 찾았다. 그러나 발달 생물학 등에서는 세포가 특정 상태에서 다른 상태로 전이될 수 있는 방향성이 사전에 알려진 경우가 많다. 이러한 이산적이고 방향성 있는 전이 제약은 대칭적인 리만 거리로는 표현할 수 없으며, 모델이 비생물학적 경로를 학습할 위험이 있다. 이에 저자들은 피스너(Finsler) 기하학을 도입한다. 피스너 메트릭은 각 점 x와 속도 벡터 v에 대해 비대칭적인 노름 F(x,v)를 정의한다. 논문은 먼저 세포 유형 분류기 f:ℝⁿ→Δ|C|와 계통 트리의 인접 행렬 A∈{0,1}^{|C|×|C|}를 가정한다. A_{ij}=1이면 클래스 i가 클래스 j로 전이 가능함을 의미한다. 이때, 트리 구조를 위반하는 순간적인 전이(속도) v에 대해 큰 패널티를 부여하는 함수를 설계한다. 구체적으로, ˜F(x,v)=∑_{c∈C} f_c(x)·⟨v, Jf(x)ᵀ(1−Aᵀ)e_c⟩ 로 정의한다. 여기서 Jf는 분류기의 야코비안이며, (1−Aᵀ)는 허용되지 않은 전이 방향을 나타내는 마스크이다. 이 식은 “현재 위치에서 어느 클래스에 속해 있는가(f_c(x))”와 “그 클래스에서 허용되지 않은 방향으로 얼마나 움직이는가(⟨·⟩)”를 곱해, 트리와 일치하지 않을수록 비용을 높인다. 다음으로, 이 비대칭 패널티를 기존의 리만 메트릭 ‖v‖_g와 결합한다. 최종 피스너 메트릭은 F(x,v)=‖v‖_g + λ·˜F(x,v)·‖v‖_g 이며, λ>0는 두 사전 지식 사이의 가중치를 조절한다. g는 사전 학습된 비퇴화(conformal) 리만 메트릭이며, 이를 통해 F는 비대칭 노름의 정의(양의 동차성, 삼각 부등식, 영벡터에 대한 영값) 를 만족한다. 논문은 이를 정리 4.1을 통해 수학적으로 증명한다. 피스너 메트릭을 직접 계산하려면 경로 상의 적분을 수행해야 하는데, 이는 학습 중에 비효율적이다. 따라서 저자들은 임베딩 함수 ϕ, ψ: M→ℝ^ℓ와 스칼라 β∈ℝ^ℓ를 도입해 거리 근사 d̂_F(x,y)=‖ϕ(x)−ϕ(y)‖ + ⟨ψ(x)−ψ(y),β⟩ 로 정의한다. 첫 번째 항은 대칭적인 유클리드 거리, 두 번째 항은 비대칭성을 부여하는 선형 보정이다. 로컬 테일러 전개를 통해 d̂_F의 미분이 ϕ와 ψ의 야코비안과 일치함을 보이며, 정리 4.2에서 이 근사가 비대칭 노름의 하한을 갖는다는 것을 증명한다. 학습 목표는 두 가지 손실을 최소화하는 것이다. (1) 임베딩 손실 L_emb은 샘플링된 접선 (x,v)와 근사 거리 d̂_F 사이의 차이를 최소화한다: L_emb = E_{(x,v)∼μ}