論文の概要: Neural Harmonium: An Interpretable Deep Structure for Nonlinear Dynamic
System Identification with Application to Audio Processing
- arxiv url: http://arxiv.org/abs/2310.07032v1
- Date: Tue, 10 Oct 2023 21:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 02:44:36.995886
- Title: Neural Harmonium: An Interpretable Deep Structure for Nonlinear Dynamic
System Identification with Application to Audio Processing
- Title（参考訳）: ニューラルハーモニウム:非線形動的システム同定のための解釈可能な深部構造とオーディオ処理への応用
- Authors: Karim Helwani, Erfan Soltanmohammadi, Michael M. Goodwin
- Abstract要約: 解釈可能性(Interpretability)は、モデルを一般化し、その限界を明らかにする能力を理解するのに役立ちます。
本稿では,動的システムモデリングのための因果解釈可能な深部構造を提案する。
提案モデルは,時間周波数領域におけるシステムモデリングによる調和解析を利用する。
- 参考スコア（独自算出の注目度）: 4.599180419117645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Improving the interpretability of deep neural networks has recently gained
increased attention, especially when the power of deep learning is leveraged to
solve problems in physics. Interpretability helps us understand a model's
ability to generalize and reveal its limitations. In this paper, we introduce a
causal interpretable deep structure for modeling dynamic systems. Our proposed
model makes use of the harmonic analysis by modeling the system in a
time-frequency domain while maintaining high temporal and spectral resolution.
Moreover, the model is built in an order recursive manner which allows for
fast, robust, and exact second order optimization without the need for an
explicit Hessian calculation. To circumvent the resulting high dimensionality
of the building blocks of our system, a neural network is designed to identify
the frequency interdependencies. The proposed model is illustrated and
validated on nonlinear system identification problems as required for audio
signal processing tasks. Crowd-sourced experimentation contrasting the
performance of the proposed approach to other state-of-the-art solutions on an
acoustic echo cancellation scenario confirms the effectiveness of our method
for real-life applications.
- Abstract（参考訳）: 深層ニューラルネットワークの解釈性の向上は、特に物理学の問題を解くために深層学習の力を活用した場合、近年注目を集めている。
解釈性はモデルが一般化し、その限界を明らかにする能力を理解するのに役立ちます。
本稿では,動的システムモデリングのための因果解釈可能な深部構造を提案する。
提案モデルでは,高時間分解能とスペクトル分解能を維持しつつ,時間周波数領域でシステムのモデル化を行い,高調波解析を行う。
さらに、モデルは順序再帰的な方法で構築され、明示的なヘッセン計算を必要とせず、高速で堅牢で正確な2階最適化が可能となる。
システムを構成するブロックの高次元性を回避するため,ニューラルネットワークは周波数依存性を識別するように設計されている。
提案手法は,音声信号処理タスクに必要となる非線形システム同定問題に対して説明と検証を行う。
クラウドソース実験は, 提案手法と, 音響エコーキャンセラシナリオにおける他の最先端ソリューションとの対比により, 本手法の有効性を確認した。
関連論文リスト
- Port-Hamiltonian Neural Networks with Output Error Noise Models [2.144088660722956]
ハミルトニアンニューラルネットワーク(HNN)は物理インフォームドディープラーニング手法の有望なクラスである。
工学系への直接的応用は、外部入力の存在、散逸、騒音測定など、実用的な問題によってしばしば問題視される。
本稿では,これらの実生活要因に対処するHNNの能力を高める新しい枠組みを提案する。
論文 参考訳（メタデータ） (2025-02-20T10:33:21Z) - Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。
潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。
本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
論文 参考訳（メタデータ） (2024-08-29T18:58:39Z) - Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。
ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。
主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
論文 参考訳（メタデータ） (2024-03-15T07:18:43Z) - Neural Modelling of Dynamic Systems with Time Delays Based on an
Adjusted NEAT Algorithm [0.0]
提案アルゴリズムは、よく知られたNeuroEvolution of Augmenting Topologies (NEAT)アルゴリズムに基づいている。
この研究は、模範システムの数学的モデルから生成されたデータに基づいて、拡張された検証研究を含む。
シミュレーションの結果,時間遅延を伴う動的システムのニューラル(ブラックボックス)モデルの有効性が示された。
論文 参考訳（メタデータ） (2023-09-21T15:04:42Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - Quadratic mutual information regularization in real-time deep CNN models [51.66271681532262]
擬似相互情報による正規化手法を提案する。
種々の二項分類問題の実験を行い,提案モデルの有効性を示した。
論文 参考訳（メタデータ） (2021-08-26T13:14:24Z) - Reconstructing a dynamical system and forecasting time series by
self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。
教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文 参考訳（メタデータ） (2021-08-04T06:10:58Z) - Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear
Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。
提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。
提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文 参考訳（メタデータ） (2020-12-11T08:34:26Z)
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。