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

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Variational quantization for state space models [3.9762742923544456]
  何千もの異種時系列を収集する大規模なデータセットを用いてタスクを予測することは、多くの分野において重要な統計問題である。 離散状態空間隠蔽マルコフモデルと最近のニューラルネットワークアーキテクチャを組み合わせた新しい予測モデルを提案し,ベクトル量子化変分オートエンコーダにインスパイアされたトレーニング手順を提案する。 提案手法の性能を複数のデータセットを用いて評価し,他の最先端ソリューションよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-17T07:01:41Z)
• 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)
• 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)
• Robust Audio Anomaly Detection [10.75127981612396]
  提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。 時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。 ネットワークの出力は、外向きの頑健な確率密度関数である。
  論文  参考訳（メタデータ） (2022-02-03T17:19:42Z)
• 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。