論文の概要: Martian time-series unraveled: A multi-scale nested approach with
factorial variational autoencoders
- arxiv url: http://arxiv.org/abs/2305.16189v3
- Date: Tue, 20 Feb 2024 04:18:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 21:32:09.633098
- Title: Martian time-series unraveled: A multi-scale nested approach with
factorial variational autoencoders
- Title(参考訳): 火星の時系列:因子的変動オートエンコーダを用いたマルチスケールネステッドアプローチ
- Authors: Ali Siahkoohi and Rudy Morel and Randall Balestriero and Erwan Allys
and Gr\'egory Sainton and Taichi Kawamura and Maarten V. de Hoop
- Abstract要約: 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、情報源によって提示される様々な時間尺度によって問題視されている。
ウェーブレット散乱スペクトルを利用した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。
- 参考スコア(独自算出の注目度): 13.758556734097374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised source separation involves unraveling an unknown set of source
signals recorded through a mixing operator, with limited prior knowledge about
the sources, and only access to a dataset of signal mixtures. This problem is
inherently ill-posed and is further challenged by the variety of timescales
exhibited by sources. Existing methods typically rely on a preselected window
size that determines their operating timescale, limiting their capacity to
handle multi-scale sources. To address this issue, we propose an unsupervised
multi-scale clustering and source separation framework by leveraging wavelet
scattering spectra that provide a low-dimensional representation of stochastic
processes, capable of distinguishing between different non-Gaussian stochastic
processes. Nested within this representation space, we develop a factorial
Gaussian-mixture variational autoencoder that is trained to (1)
probabilistically cluster sources at different timescales and (2) independently
sample scattering spectra representations associated with each cluster. As the
final stage, using samples from each cluster as prior information, we formulate
source separation as an optimization problem in the wavelet scattering spectra
representation space, aiming to separate sources in the time domain. When
applied to the entire seismic dataset recorded during the NASA InSight mission
on Mars, containing sources varying greatly in timescale, our multi-scale
nested approach proves to be a powerful tool for disentangling such different
sources, e.g., minute-long transient one-sided pulses (known as ``glitches'')
and structured ambient noises resulting from atmospheric activities that
typically last for tens of minutes. These results provide an opportunity to
conduct further investigations into the isolated sources related to
atmospheric-surface interactions, thermal relaxations, and other complex
phenomena.
- Abstract(参考訳): 教師なしのソース分離は、ミキシング演算子を通じて記録された未知のソース信号のセットを解き放ち、ソースに関する事前知識が限られ、信号混合のデータセットのみにアクセスする。
この問題は本質的に不適切であり、情報源によって提示される様々な時間尺度によってさらに問題視されている。
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、操作の時間スケールを決定し、マルチスケールソースを扱う能力を制限する。
本研究では,確率過程の低次元表現を提供するウェーブレット散乱スペクトルを用いて,非ガウス的確率過程を区別し,教師なしマルチスケールクラスタリングとソース分離の枠組みを提案する。
この表現空間に内在し,(1)異なる時間スケールで確率的にクラスタソースを抽出し,(2)各クラスタに関連付けられた個別の散乱スペクトル表現をサンプリングする因子的ガウス-混合変分オートエンコーダを開発した。
最終段階では、各クラスタのサンプルを先行情報として、ウェーブレット散乱スペクトル表現空間における最適化問題としてソース分離を定式化し、時間領域のソースを分離することを目指す。
火星でのNASA InSightミッションで記録されたすべての地震観測データに適用すると、我々のマルチスケールのネストされたアプローチは、例えば、分長の過渡的な片側パルス("glitches'"として知られる)や、通常数分間続く大気活動によって生じる環境騒音などの異なるソースを遠ざける強力なツールであることが証明される。
これらの結果は、大気-表面相互作用、熱緩和、その他の複雑な現象に関連する孤立した源についてさらなる調査を行う機会を与える。
関連論文リスト
- Score-based Source Separation with Applications to Digital Communication
Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。
高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。
提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文 参考訳(メタデータ) (2023-06-26T04:12:40Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T23:00:47Z) - Unearthing InSights into Mars: Unsupervised Source Separation with
Limited Data [2.626095252463179]
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。
論文 参考訳(メタデータ) (2023-01-27T20:38:07Z) - Stochastic Functional Analysis and Multilevel Vector Field Anomaly
Detection [0.0]
我々は,大規模ベクトル場データセットにおける異常検出のための新しい解析手法を開発した。
このようなランダムフィールドデータに最適なベクトル場 Karhunen-Loeve (KL) 展開を適用する。
本手法は,アマゾン林の森林伐採・伐採問題に適用した。
論文 参考訳(メタデータ) (2022-07-11T13:11:16Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - One to Multiple Mapping Dual Learning: Learning Multiple Sources from
One Mixed Signal [38.00036571066844]
単一チャネルブラインドソース分離(SCBSS)は、単一センサによって収集された混合信号から複数のソースを分離することを指す。
本稿では,並列二重生成逆数ネットワーク(PDualGAN)を設計し,複数のソースを混合体から分離するアルゴリズムを提案する。
このアルゴリズムは、線形瞬時混合モデルや畳み込み混合モデルのような混合モデルに適用できる。
論文 参考訳(メタデータ) (2021-10-13T08:34:02Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z)
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。