論文の概要: On the Intersection of Signal Processing and Machine Learning: A Use Case-Driven Analysis Approach
- arxiv url: http://arxiv.org/abs/2403.17181v1
- Date: Mon, 25 Mar 2024 20:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 19:36:07.847182
- Title: On the Intersection of Signal Processing and Machine Learning: A Use Case-Driven Analysis Approach
- Title（参考訳）: 信号処理と機械学習の交差点について:ユースケース駆動分析アプローチ
- Authors: Sulaiman Aburakhia, Abdallah Shami, George K. Karagiannidis,
- Abstract要約: この研究は、アプリケーションに依存しないレビューを提供し、特徴抽出技術のための新しい分類分類を導入している。
理論的概念と実践的応用を結びつけることを目的としており、2つの特定のユースケースを通じてこれを実証している。
理論的貢献に加えて、この研究は、関連するPythonおよびPythonベースの信号処理コードの公開リポジトリを提供することで、共同研究文化を促進する。
- 参考スコア（独自算出の注目度）: 28.59539400247894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in sensing, measurement, and computing technologies have significantly expanded the potential for signal-based applications, leveraging the synergy between signal processing and Machine Learning (ML) to improve both performance and reliability. This fusion represents a critical point in the evolution of signal-based systems, highlighting the need to bridge the existing knowledge gap between these two interdisciplinary fields. Despite many attempts in the existing literature to bridge this gap, most are limited to specific applications and focus mainly on feature extraction, often assuming extensive prior knowledge in signal processing. This assumption creates a significant obstacle for a wide range of readers. To address these challenges, this paper takes an integrated article approach. It begins with a detailed tutorial on the fundamentals of signal processing, providing the reader with the necessary background knowledge. Following this, it explores the key stages of a standard signal processing-based ML pipeline, offering an in-depth review of feature extraction techniques, their inherent challenges, and solutions. Differing from existing literature, this work offers an application-independent review and introduces a novel classification taxonomy for feature extraction techniques. Furthermore, it aims at linking theoretical concepts with practical applications, and demonstrates this through two specific use cases: a spectral-based method for condition monitoring of rolling bearings and a wavelet energy analysis for epilepsy detection using EEG signals. In addition to theoretical contributions, this work promotes a collaborative research culture by providing a public repository of relevant Python and MATLAB signal processing codes. This effort is intended to support collaborative research efforts and ensure the reproducibility of the results presented.
- Abstract（参考訳）: 近年のセンサ,計測,コンピュータ技術の進歩は,信号処理と機械学習(ML)の相乗効果を活用して,信号ベースアプリケーションの可能性を大きく拡大し,性能と信頼性を両立させている。
この融合は、信号ベースのシステムの進化における重要なポイントであり、これらの2つの分野間の既存の知識ギャップを埋める必要性を強調している。
既存の文献でこのギャップを埋めようとする試みは多いが、多くは特定の用途に限られており、主に特徴抽出に焦点が当てられている。
この仮定は、幅広い読者にとって大きな障害となる。
これらの課題に対処するために、本論文は統合的な記事アプローチを採用する。
これは、信号処理の基本に関する詳細なチュートリアルから始まり、読者に必要なバックグラウンド知識を提供する。
これに続いて、標準信号処理ベースのMLパイプラインの重要ステージを探求し、機能抽出テクニックの詳細なレビュー、その固有の課題、ソリューションを提供する。
既存の文献と異なり、本研究はアプリケーションに依存しないレビューを提供し、特徴抽出技術のための新しい分類分類を導入している。
さらに,脳波信号を用いたてんかん検出のためのスペクトルに基づく転がり軸受条件監視法とウェーブレットエネルギー解析という,理論的概念と実用的応用を結びつけることを目的としている。
この研究は、理論的貢献に加えて、関連するPythonおよびMATLAB信号処理コードの公開リポジトリを提供することにより、共同研究文化を促進する。
この取り組みは、共同研究を支援し、提示された結果の再現性を確保することを目的としている。
関連論文リスト
- Learning From Crowdsourced Noisy Labels: A Signal Processing Perspective [42.24248330317496]
本記事では,ノイズの多いクラウドソースラベルから学ぶことの進歩を紹介する。
その焦点は、古典的な統計モデルから最近のディープラーニングベースのアプローチまで、主要なクラウドソーシングモデルとその方法論的治療である。
特に、テンソルの識別可能性や非負行列分解など、信号処理(SP)理論と手法の関連性について概説する。
論文 参考訳（メタデータ） (2024-07-09T14:34:40Z) - Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。
本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。
合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文 参考訳（メタデータ） (2023-06-19T12:01:28Z) - Investigating Deep Learning Benchmarks for Electrocardiography Signal
Processing [0.0]
我々は,様々なECG処理タスクに対して,文学と小説の両方から多数のニューラルネットワークを収集するtexttttorch_ecgを提案する。
ネットワークの自動構築とフレキシブルなスケーリングのための便利でモジュラーな方法を確立し、プリプロセッシング手順と拡張テクニックを整理する巧妙で統一的な方法を確立します。
論文 参考訳（メタデータ） (2022-04-09T08:05:06Z) - 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) - Signal Transformer: Complex-valued Attention and Meta-Learning for
Signal Recognition [33.178794056273304]
本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。
本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
論文 参考訳（メタデータ） (2021-06-05T03:57:41Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳（メタデータ） (2021-04-09T01:38:34Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - A Comprehensive Survey of Machine Learning Based Localization with
Wireless Signals [42.89359907212791]
本稿では,RF信号を用いた機械学習に基づくローカライズソリューションの包括的調査を行う。
本論文の主なポイントは、ローカリゼーションシステムの物理から生じるドメイン知識と、さまざまなMLアプローチとの相互作用である。
詳細な議論は、ローカリゼーションの問題に適用されたさまざまなMLメソッドに捧げられています。
論文 参考訳（メタデータ） (2020-12-21T08:10:46Z) - Wireless for Machine Learning [91.13476340719087]
我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。
文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。
このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
論文 参考訳（メタデータ） (2020-08-31T11:09:49Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。