Fugu-MT 論文翻訳(概要): Nonlinear Independent Component Analysis for Continuous-Time Signals

論文の概要: Nonlinear Independent Component Analysis for Continuous-Time Signals

arxiv url: http://arxiv.org/abs/2102.02876v1
Date: Thu, 4 Feb 2021 20:28:44 GMT
ステータス: 処理完了
システム内更新日: 2021-02-08 14:46:19.764475
Title: Nonlinear Independent Component Analysis for Continuous-Time Signals
Title（参考訳）: 連続時間信号の非線形独立成分分析
Authors: Harald Oberhauser and Alexander Schell
Abstract要約: このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
参考スコア（独自算出の注目度）: 85.59763606620938
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the classical problem of recovering a multidimensional source process from observations of nonlinear mixtures of this process. Assuming statistical independence of the coordinate processes of the source, we show that this recovery is possible for many popular models of stochastic processes (up to order and monotone scaling of their coordinates) if the mixture is given by a sufficiently differentiable, invertible function. Key to our approach is the combination of tools from stochastic analysis and recent contrastive learning approaches to nonlinear ICA. This yields a scalable method with widely applicable theoretical guarantees for which our experiments indicate good performance.
Abstract（参考訳）: この過程の非線形混合の観測から多次元源過程を復元する古典的な問題を検討する。ソースの座標過程の統計的独立性を仮定すると、このリカバリが十分微分可能で可逆関数によって与えられる場合、確率過程の多くの一般的なモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。我々のアプローチの鍵は、確率解析と最近の非線形ICAに対する対照的な学習手法の組み合わせである。これにより,提案手法の有効性を示す理論的な保証が広く適用できるスケーラブルな手法が得られる。

関連論文リスト

A Stability Principle for Learning under Non-Stationarity [1.1510009152620668]
非定常環境における統計的学習のための多目的フレームワークを開発する。解析の中心には、関数間の類似性の尺度と、非定常データ列を準定常断片に分割するセグメンテーション技法の2つの新しい要素がある。
論文参考訳（メタデータ） (2023-10-27T17:53:53Z)
Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文参考訳（メタデータ） (2023-05-24T20:43:47Z)
Nonparametric Independent Component Analysis for the Sources with Mixed Spectra [0.06445605125467573]
既存のICAプロシージャの多くは独立したサンプリングを前提としている。 2次統計に基づく音源分離法は, 自己相関源からの混合物のパラメトリック時系列モデルに基づいて開発されている。本稿では,3次スプラインとインジケータ関数を用いて,音源信号のスペクトル密度関数と線スペクトルを推定し,新しいICA法を提案する。
論文参考訳（メタデータ） (2022-12-13T02:13:14Z)
Moment Estimation for Nonparametric Mixture Models Through Implicit Tensor Decomposition [7.139680863764187]
条件に依存しない混合モデルを$mathbbRn$で推定するために,最小二乗法を交互に最適化する手法を提案する。線形解を用いて、累積分布関数、高次モーメント、その他の成分分布の統計値を計算する。数値実験は、アルゴリズムの競合性能と、多くのモデルや応用への適用性を実証する。
論文参考訳（メタデータ） (2022-10-25T23:31:33Z)
Uncertainty Disentanglement with Non-stationary Heteroscedastic Gaussian Processes for Active Learning [10.757942829334057]
勾配に基づく手法で学習可能な非定常ヘテロセダスティックガウス過程モデルを提案する。提案手法は, 全体的な不確かさを, アレタリック(非再現性)とてんかん(モデル)の不確実性に分離することにより, モデルの解釈可能性を示す。
論文参考訳（メタデータ） (2022-10-20T02:18:19Z)
On the Identifiability of Nonlinear ICA: Sparsity and Beyond [20.644375143901488]
自明な不確定点を特定できる非線形ICAモデルをいかにして特定させるかは、教師なし学習における長年の問題である。最近のブレークスルーは、いくつかの補助変数が与えられた条件付き独立としてソースの標準独立仮定を再構成する。このような制約の特定のインスタンス化の下では、独立潜水源はそれらの非線形混合から置換まで同定できることを示す。
論文参考訳（メタデータ） (2022-06-15T18:24:22Z)
Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文参考訳（メタデータ） (2021-07-21T14:22:14Z)
A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
最適化のための異なる手法を導出できる変分法を導入する。我々は1対1の対応において最適化手法の2つのファミリを導出する。自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
論文参考訳（メタデータ） (2021-06-04T20:21:53Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)
Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
論文参考訳（メタデータ） (2020-02-10T03:20:13Z)

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。