論文の概要: Multi-View Independent Component Analysis with Shared and Individual Sources

• arxiv url: http://arxiv.org/abs/2210.02083v1
• Date: Wed, 5 Oct 2022 08:23:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 15:14:03.033678
• Title: Multi-View Independent Component Analysis with Shared and Individual Sources
• Title（参考訳）: 共有および個別ソースを用いた多視点独立成分分析
• Authors: Teodora Pandeva, Patrick Forr\'e
• Abstract要約: 独立成分分析(Independent component analysis, ICA)は、観測データから独立成分源を線形にアンタングル化するためのブラインドソース分離法である。 我々は,対応する線形構造が識別可能であることを証明し,十分な多様なビューやデータポイントが利用できることを条件として,共有ソースを復元できることを示した。 実測値がノイズによって破損した場合にも,高次元設定で音源を復元することが実証的に示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Independent component analysis (ICA) is a blind source separation method for linear disentanglement of independent latent sources from observed data. We investigate the special setting of noisy linear ICA where the observations are split among different views, each receiving a mixture of shared and individual sources. We prove that the corresponding linear structure is identifiable, and the shared sources can be recovered, provided that sufficiently many diverse views and data points are available. To computationally estimate the sources, we optimize a constrained form of the joint log-likelihood of the observed data among all views. We show empirically that our objective recovers the sources in high dimensional settings, also in the case when the measurements are corrupted by noise. Finally, we apply the proposed model in a challenging real-life application, where the estimated shared sources from two large transcriptome datasets (observed data) provided by two different labs (two different views) lead to a more plausible representation of the underlying graph structure than existing baselines.
• Abstract（参考訳）: 独立成分分析(Independent component analysis, ICA)は、観測データから独立した潜伏源を線形に歪めるブラインドソース分離法である。 そこで我々は,観測を異なる視点に分割し,それぞれが共有音源と個別音源を混合したノイズリニアICAの特別な設定について検討する。 多様なビューやデータポイントが十分に利用可能であれば、対応する線形構造が識別可能であり、共有ソースを復元可能であることが証明される。 ソースを計算的に推定するために,観測されたデータのジョイントログライクティフィケーションの制約付き形式を全ビュー間で最適化する。 実測値がノイズによって破損した場合にも,高次元設定で音源を復元することが実証的に示される。 最後に,2つの異なる研究室(2つの異なるビュー)によって提供される2つの大きなトランスクリプトームデータセット(観測データ)から推定された共有ソースが,既存のベースラインよりも基礎となるグラフ構造のより妥当な表現につながる,という課題を現実のアプリケーションに適用する。

関連論文リスト

• MultiView Independent Component Analysis with Delays [72.19163346293848]
  遅延を用いたマルチビュー独立成分分析(MVICAD)を提案する。 MVICADは、MultiView ICAモデルに基づいて、ソースをいくつかの共有ソースの遅延バージョンとして提供する。 ICAは神経科学でよく用いられるため、大規模脳磁図データセットであるCam-CANに適用した場合、レイテンシーは年齢に関連があることが示されている。
  論文  参考訳（メタデータ） (2023-12-01T10:33:16Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• sJIVE: Supervised Joint and Individual Variation Explained [0.0]
  同一対象データに対する複数ビューであるマルチソースデータの解析は, 生物医学研究においてますます一般的になっている。 本研究では,共有構造(共同)とソース固有構造(個別構造)を同時に識別する手法であるsjive(supervised joint and individual variation explained)を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:54:45Z)
• Rethinking Content and Style: Exploring Bias for Unsupervised Disentanglement [59.033559925639075]
  本研究では,異なる要因が画像再構成において重要度や人気度が異なるという仮定に基づいて,教師なしc-s異節の定式化を提案する。 モデルインダクティブバイアスは,提案したC-Sアンタングルメントモジュール(C-S DisMo)によって導入された。 いくつかの一般的なデータセットに対する実験により、我々の手法が最先端の教師なしC-Sアンタングルメントを実現することを示す。
  論文  参考訳（メタデータ） (2021-02-21T08:04:33Z)
• InSRL: A Multi-view Learning Framework Fusing Multiple Information Sources for Distantly-supervised Relation Extraction [19.176183245280267]
  ナレッジベースに広く存在する2つのソース、すなわちエンティティ記述と複数の粒度のエンティティタイプを紹介します。 Intact Space Representation Learning (InSRL) による関係抽出のためのエンドツーエンドのマルチビュー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-17T02:49:46Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)
• Source Separation with Deep Generative Priors [17.665938343060112]
  混合音源の成分に対する先行モデルとして生成モデルを用い、混合音源の後方分布からノイズアニールランゲインダイナミクスをサンプリングした。 これにより、ソース分離問題と生成モデルとの分離問題を分離し、最先端の生成モデルを先行として直接使用することが可能となる。 本手法は,MNIST桁分離のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-02-19T00:48:19Z)

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。