論文の概要: Unearthing InSights into Mars: Unsupervised Source Separation with Limited Data

• arxiv url: http://arxiv.org/abs/2301.11981v2
• Date: Wed, 31 May 2023 18:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-03 00:43:41.863499
• Title: Unearthing InSights into Mars: Unsupervised Source Separation with Limited Data
• Title（参考訳）: 火星への洞察を掘り起こす - 限られたデータで教師なしのソース分離
• Authors: Ali Siahkoohi, Rudy Morel, Maarten V. de Hoop, Erwan Allys, Gr\'egory Sainton, Taichi Kawamura
• Abstract要約: 混合演算子を通して、不適切なソース信号のセットが観測されている。 この問題は、既存のデータから事前の知識、あるいは暗黙的に、あるいは教師なしの方法を必要とする。 ウェーブレット散乱共分散により、わずか数個のグリッチフリーデータスニペットを使ってグリッチを分離できる。
• 参考スコア（独自算出の注目度）: 2.626095252463179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source separation involves the ill-posed problem of retrieving a set of source signals that have been observed through a mixing operator. Solving this problem requires prior knowledge, which is commonly incorporated by imposing regularity conditions on the source signals, or implicitly learned through supervised or unsupervised methods from existing data. While data-driven methods have shown great promise in source separation, they often require large amounts of data, which rarely exists in planetary space missions. To address this challenge, we propose an unsupervised source separation scheme for domains with limited data access that involves solving an optimization problem in the wavelet scattering covariance representation space$\unicode{x2014}$an interpretable, low-dimensional representation of stationary processes. We present a real-data example in which we remove transient, thermally-induced microtilts$\unicode{x2014}$known as glitches$\unicode{x2014}$from data recorded by a seismometer during NASA's InSight mission on Mars. Thanks to the wavelet scattering covariances' ability to capture non-Gaussian properties of stochastic processes, we are able to separate glitches using only a few glitch-free data snippets.
• Abstract（参考訳）: ソース分離は、混合演算子を通して観測されたソース信号のセットを取得するという不適切な問題を含む。 この問題を解決するには、ソース信号に規則性条件を課すことや、既存のデータから教師なしまたは教師なしの方法を通じて暗黙的に学習することで一般的に取り入れられる事前知識が必要である。 データ駆動方式は、ソース分離において大きな可能性を秘めているが、惑星の宇宙ミッションでは滅多に存在しない大量のデータを必要とすることが多い。 この課題に対処するために、ウェーブレット散乱共分散表現空間$\unicode{x2014}$an 解釈可能な、定常過程の低次元表現における最適化問題を含む、限られたデータアクセスを持つ領域に対する教師なしソース分離方式を提案する。 我々は、nasaの火星探査ミッション中に地震計が記録したデータから、過渡的、熱誘起のマイクロチルト$\unicode{x2014}$ (glitches$\unicode{x2014}$) を取り除く実データ例を示す。 確率過程の非ガウス的性質を捉えるウェーブレット散乱共分散の能力により、数個のグリッチフリーデータスニペットを用いてグリッチを分離することができる。

関連論文リスト

• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Martian time-series unraveled: A multi-scale nested approach with factorial variational autoencoders [13.190441691191326]
  教師なしのソース分離は、ミキシング演算子を通して記録された未知のソース信号のセットを解き放つことを伴う。 この問題は本質的に不適切であり、惑星の宇宙ミッションの時系列データから得られる様々な散乱によって問題視されている。 既存のメソッドは、通常、選択されたウィンドウサイズに依存して、その操作時間スケールを決定する。 教師なしマルチスケールクラスタリングおよびソース分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-25T15:49:38Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
  本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。 提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
  論文  参考訳（メタデータ） (2023-01-30T06:27:48Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Holistic Guidance for Occluded Person Re-Identification [7.662745552551165]
  実世界のビデオ監視アプリケーションでは、人物の再識別(ReID)は、閉塞や検出エラーの影響に悩まされる。 個人識別ラベルにのみ依存するHG(Holistic Guidance)手法を提案する。 提案手法は, 包括的(非包括的)標本と, 包括的(非包括的)標本の包括的(包括的)な距離(DCD)分布を一致させることにより, この問題に対処する。 これに加えて、共同生成-識別的バックボーンは、デノナイジングオートエンコーダで訓練され、システムが制御される。
  論文  参考訳（メタデータ） (2021-04-13T21:50:29Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)
• Interpretable Anomaly Detection with Mondrian P{\'o}lya Forests on Data Streams [6.177270420667713]
  スケールでの異常検出は、非常に困難な実用性の問題である。 最近の研究は、異常検出のためのデータを要約するために、(ランダムな)$k$emphd-treesのバリエーションを合体させてきた。 これらの手法は、容易に解釈できないアドホックスコア関数に依存している。 我々はこれらの手法をモンドリアンポリアフォレストと呼ぶ確率的枠組みでコンテキスト化する。
  論文  参考訳（メタデータ） (2020-08-04T13:19:07Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。