論文の概要: Biologically-Plausible Determinant Maximization Neural Networks for
Blind Separation of Correlated Sources
- arxiv url: http://arxiv.org/abs/2209.12894v1
- Date: Tue, 27 Sep 2022 09:12:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 16:37:14.605947
- Title: Biologically-Plausible Determinant Maximization Neural Networks for
Blind Separation of Correlated Sources
- Title（参考訳）: 相関源のブラインド分離のための生物学的に可視な決定式最大化ニューラルネットワーク
- Authors: Bariscan Bozkurt, Cengiz Pehlevan, Alper T. Erdogan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.938405188113027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extraction of latent sources of complex stimuli is critical for making sense
of the world. While the brain solves this blind source separation (BSS) problem
continuously, its algorithms remain unknown. Previous work on
biologically-plausible BSS algorithms assumed that observed signals are linear
mixtures of statistically independent or uncorrelated sources, limiting the
domain of applicability of these algorithms. To overcome this limitation, we
propose novel biologically-plausible neural networks for the blind separation
of potentially dependent/correlated sources. Differing from previous work, we
assume some general geometric, not statistical, conditions on the source
vectors allowing separation of potentially dependent/correlated sources.
Concretely, we assume that the source vectors are sufficiently scattered in
their domains which can be described by certain polytopes. Then, we consider
recovery of these sources by the Det-Max criterion, which maximizes the
determinant of the output correlation matrix to enforce a similar spread for
the source estimates. Starting from this normative principle, and using a
weighted similarity matching approach that enables arbitrary linear
transformations adaptable by local learning rules, we derive two-layer
biologically-plausible neural network algorithms that can separate mixtures
into sources coming from a variety of source domains. We demonstrate that our
algorithms outperform other biologically-plausible BSS algorithms on correlated
source separation problems.
- Abstract（参考訳）: 複合刺激の潜在源の抽出は、世界を理解する上で重要である。
脳はこのブラインドソース分離(BSS)問題を継続的に解決するが、アルゴリズムはまだ不明である。
生物学的に証明可能なBSSアルゴリズムに関する以前の研究は、観測された信号は統計的に独立あるいは非相関なソースの線形混合であり、これらのアルゴリズムの適用範囲を制限すると仮定していた。
この限界を克服するため,本論文では,潜在的依存/相関源のブラインド分離のための新しい生物学的可視性ニューラルネットワークを提案する。
従来の研究とは違って、ソースベクトル上の一般的な幾何学的条件を仮定し、潜在的な依存的/相関的ソースの分離を可能にする。
具体的には、ソースベクトルは、あるポリトープによって記述できる領域に十分に散在していると仮定する。
次に、出力相関行列の行列式を最大化するdet-max基準によるこれらのソースの回復を考慮し、ソース推定に類似のスプレッドを強制する。
この規範的原理から始まり、局所学習規則に適応可能な任意の線形変換を可能にする重み付き類似性マッチングアプローチを用いて、様々なソースドメインから得られるソースに混合物を分離できる2層生物学的に表現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。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳（メタデータ） (2023-02-02T22:16:49Z) - An Adaptive Kernel Approach to Federated Learning of Heterogeneous
Causal Effects [10.248235276871256]
本稿では,複数の分散データソースから因果関係を学習するための新たな因果関係推論フレームワークを提案する。
本稿では,データソース間の類似性を学習する適応転送アルゴリズムを提案する。
提案手法は,異なる分布を持つ分散化されたデータソースのベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-01T04:57:48Z) - 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) - Semi-Blind Source Separation with Learned Constraints [1.2891210250935146]
ブラインドソース分離 (BSS) アルゴリズムは、ハイパースペクトルデータ解析のための教師なしの手法である。
本稿では,予測された最小二乗アルゴリズムと学習に基づく正規化スキームを組み合わせた半教師付きソース分離手法について検討する。
これにより、物理的に解釈可能な解を提供する精度が向上し、革新的なBSSアルゴリズムが実現できることが示される。
論文 参考訳（メタデータ） (2022-09-27T17:58:23Z) - Iterative Sound Source Localization for Unknown Number of Sources [57.006589498243336]
終端基準を満たすまで、各音源のDOAをしきい値なしで反復的に抽出できるISSLと呼ばれる反復音源定位手法を提案する。
我々のISSLは、既存のしきい値ベースのアルゴリズムと比較して、DOA推定とソース番号検出の両方で大幅な性能改善を実現しています。
論文 参考訳（メタデータ） (2022-06-24T13:19:44Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳（メタデータ） (2022-06-11T18:03:26Z) - A Discriminative Technique for Multiple-Source Adaptation [55.5865665284915]
本稿では,マルチソース適応のための新しい識別手法,MSA,問題を提案する。
我々のソリューションは、ソースドメインからのラベルなしデータから容易に正確に推定できる条件付き確率のみを必要とする。
実世界の応用実験により、新しい識別的MSAアルゴリズムは、以前の生成解よりも優れていたことがさらに証明された。
論文 参考訳（メタデータ） (2020-08-25T14:06:15Z) - 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) - Blind Bounded Source Separation Using Neural Networks with Local
Learning Rules [23.554584457413483]
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。
論文 参考訳（メタデータ） (2020-04-11T20:20:22Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。