Fugu-MT 論文翻訳(概要): Blind Bounded Source Separation Using Neural Networks with Local Learning Rules

論文の概要: Blind Bounded Source Separation Using Neural Networks with Local Learning Rules

arxiv url: http://arxiv.org/abs/2004.05479v1
Date: Sat, 11 Apr 2020 20:20:22 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 12:50:29.272736
Title: Blind Bounded Source Separation Using Neural Networks with Local Learning Rules
Title（参考訳）: 局所学習規則付きニューラルネットワークを用いたブラインド境界音源分離
Authors: Alper T. Erdogan, Cengiz Pehlevan
Abstract要約: 我々は新しい最適化問題である境界類似性マッチング(BSM)を提案する。適応的BSMアルゴリズムの原理的導出は、クリッピング非線形性を持つリカレントニューラルネットワークにつながる。ネットワークは局所的な学習規則に適応し、ニューロモルフィックハードウェアにおける生物学的妥当性と実装性の両方に重要な制約を満たす。
参考スコア（独自算出の注目度）: 23.554584457413483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An important problem encountered by both natural and engineered signal processing systems is blind source separation. In many instances of the problem, the sources are bounded by their nature and known to be so, even though the particular bound may not be known. To separate such bounded sources from their mixtures, we propose a new optimization problem, Bounded Similarity Matching (BSM). A principled derivation of an adaptive BSM algorithm leads to a recurrent neural network with a clipping nonlinearity. The network adapts by local learning rules, satisfying an important constraint for both biological plausibility and implementability in neuromorphic hardware.
Abstract（参考訳）: 自然信号処理システムと工学信号処理システムの両方が直面する重要な問題はブラインドソース分離である。問題の多くの例では、ソースはその性質によって境界付けられており、特定の境界が分かっていないとしてもそうであることが知られている。それらの混合から有界なソースを分離するために、bsm(bounded similarity matching)という新しい最適化問題を提案する。適応的BSMアルゴリズムの原理的導出は、クリッピング非線形性を持つリカレントニューラルネットワークにつながる。ネットワークは局所学習規則に適応し、ニューロモルフィックハードウェアにおける生物学的妥当性と実装性の両方に重要な制約を満たす。

関連論文リスト

Point Source Identification Using Singularity Enriched Neural Networks [4.228167013618626]
本研究では,特異度向上手法と組み合わせたニューラルネットワークを用いて,点源を同定する新しいアルゴリズムを開発した。本手法の有効性を,いくつかの挑戦的な実験で実証した。
論文参考訳（メタデータ） (2024-08-17T08:51:18Z)
Sound Source Separation Using Latent Variational Block-Wise Disentanglement [33.94867897638613]
本稿では,デジタル信号処理/ディープニューラルネットワーク(DSP/DNN)による音源分離手法を提案する。古典的な信号処理理論結果によって動機づけられた課題の設計選択と変分定式化が,分布外のデータを見落とし,過度に適合するリスクの低減につながることを示す。
論文参考訳（メタデータ） (2024-02-08T07:22:39Z)
Correlative Information Maximization Based Biologically Plausible Neural Networks for Correlated Source Separation [17.740376367999705]
本稿では,そのドメインに関する情報を利用して相関した潜伏源を抽出する生物学的にもっともらしいニューラルネットワークを提案する。この最適化問題のオンライン定式化は、自然に局所的な学習規則を持つニューラルネットワークにつながる。単純あるいはポリトープのソースドメインの選択は、断片的な線形活性化関数を持つネットワークをもたらす。
論文参考訳（メタデータ） (2022-10-09T11:03:16Z)
Biologically-Plausible Determinant Maximization Neural Networks for Blind Separation of Correlated Sources [19.938405188113027]
本稿では,生物学的に解明可能なニューラルネットを用いて,潜在的に依存/関連のあるソースの盲点分離を提案する。我々は、様々なソースドメインから派生したソースに混合物を分離できる2層生物学的に証明可能なニューラルネットワークアルゴリズムを導出する。我々のアルゴリズムは、相関源分離問題において、他の生物学的に証明可能なBSSアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-09-27T09:12:10Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文参考訳（メタデータ） (2021-04-29T14:31:09Z)
A Neural Network with Local Learning Rules for Minor Subspace Analysis [12.437226707039446]
マイナー部分空間, マイナー部分空間類似性マッチング(MSSM)を抽出するための新しい類似性マッチング手法を提案する。我々は,局所学習ルールを持つニューラルネットワークに自然にマッピングする適応MSSMアルゴリズムを導出し,本手法が競合速度で収束することを示す数値結果を与える。
論文参考訳（メタデータ） (2021-02-10T15:44:27Z)
Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
過パラメータのニューラルネットワークが制約を満たしていることを示す。公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
論文参考訳（メタデータ） (2020-12-30T18:46:50Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)
Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-27T17:38:51Z)
Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文参考訳（メタデータ） (2020-06-26T14:20:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。