論文の概要: Unsupervised Reservoir Computing for Multivariate Denoising of Severely Contaminated Signals

• arxiv url: http://arxiv.org/abs/2407.18759v1
• Date: Fri, 26 Jul 2024 14:14:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 13:09:10.287893
• Title: Unsupervised Reservoir Computing for Multivariate Denoising of Severely Contaminated Signals
• Title（参考訳）: 重汚染信号の多変量分解のための教師なし貯留層計算
• Authors: Jaesung Choi, Pilwon Kim,
• Abstract要約: 信号の相互依存的再構成にノイズの相互依存性を適切に組み込む新しい手法を提案する。 この方法は、カオス信号や高振動正弦波信号を含む様々な多変量信号に対してうまく機能する。 様々なシナリオにおいて、既存の多変量デノゲーションメソッドよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interdependence and high dimensionality of multivariate signals present significant challenges for denoising, as conventional univariate methods often struggle to capture the complex interactions between variables. A successful approach must consider not only the multivariate dependencies of the desired signal but also the multivariate dependencies of the interfering noise. In our previous research, we introduced a method using machine learning to extract the maximum portion of ``predictable information" from univariate signal. We extend this approach to multivariate signals, with the key idea being to properly incorporate the interdependencies of the noise back into the interdependent reconstruction of the signal. The method works successfully for various multivariate signals, including chaotic signals and highly oscillating sinusoidal signals which are corrupted by spatially correlated intensive noise. It consistently outperforms other existing multivariate denoising methods across a wide range of scenarios.
• Abstract（参考訳）: 多変量信号の相互依存性と高次元性は、従来の単変量法が変数間の複雑な相互作用を捉えるのにしばしば苦労するため、デノナイズのための重要な課題を示す。 成功したアプローチは、所望の信号の多変量依存性だけでなく、干渉ノイズの多変量依存性も考慮しなければならない。 従来の研究では、単変量信号から「予測可能な情報」の最大部分の抽出に機械学習を用いた手法を導入している。 我々は、この手法を多変量信号に拡張し、ノイズの相互依存性を信号の相互依存的再構成に適切に組み込む。 この方法は、カオス信号や、空間的に相関した集中雑音によって劣化する高振動正弦波信号を含む様々な多変量信号に対してうまく機能する。 様々なシナリオにおいて、既存の多変量デノゲーションメソッドよりも一貫して優れています。

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)
• Specific Emitter Identification Based on Joint Variational Mode Decomposition [7.959137957880584]
  特定のエミッタ識別(SEI)技術は、自己組織化ネットワークやスペクトル管理などのデバイス管理シナリオにおいて重要である。 非線形および非定常電磁信号に対して、SEIはしばしば、異なるデバイス指紋を効果的に特徴付けるために、信号を分解するために変分モード分解(VMD)を用いる。 本稿では,マルチフレーム信号に対して同時にモーダル分解を実装し,VMDの改良版であるJVMDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-03T02:19:32Z)
• Unmixing Optical Signals from Undersampled Volumetric Measurements by Filtering the Pixel Latent Variables [5.74378659752939]
  遅延アンミキシング(Latent Unmixing)は、マルチスペクトルニューラルネットワークの潜在空間に帯域通過フィルタを適用する新しいアプローチである。 これは、特にアンダーサンプル分布の文脈において、個々の信号のコントリビューションのより優れた分離と定量化を可能にする。 本手法の物理実験における実用的利用を,本手法の汎用性を強調する2つの試験事例を通して紹介する。
  論文  参考訳（メタデータ） (2023-12-08T20:34:37Z)
• DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
  DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。 具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。 我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-09T04:40:01Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Shuffled Multi-Channel Sparse Signal Recovery [16.333381000882486]
  サンプルと各チャネル間の通信が途絶えた信号再構成問題として機能する。 この問題は構造化されたラベルなしセンシング問題と等価であることを示し、ユニークなリカバリのための十分な条件を確立する。 本稿では,スパース信号の回復と2チャネルの場合の線形回帰を結合した頑健な再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-12-14T17:46:17Z)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• Noise-Tolerant Learning for Audio-Visual Action Recognition [31.641972732424463]
  ビデオデータセットは通常、粗い注釈付きまたはインターネットから収集される。 本稿では,雑音ラベルと雑音対応の両方に対して,反干渉モデルパラメータを求めるための耐雑音性学習フレームワークを提案する。 本手法は,動作認識モデルのロバスト性を大幅に向上し,ベースラインをクリアマージンで越える。
  論文  参考訳（メタデータ） (2022-05-16T12:14:03Z)
• Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method [0.0]
  本稿では,劣化信号から地中構造信号を推定する新しい手法を提案する。 アルゴリズムは、2つの信号の繰り返し補正を行うことで乗算分解効果を学習する。 我々は理論的解析を含意し、ノイズレス測定モデルのための地上構造信号への収束性を証明する。
  論文  参考訳（メタデータ） (2020-09-07T13:24:47Z)
• Learning to Generate Noise for Multi-Attack Robustness [126.23656251512762]
  対人学習は、対人摂動に対する既存の方法の感受性を回避できる手法の1つとして登場した。 安全クリティカルなアプリケーションでは、攻撃者は様々な敵を採用してシステムを騙すことができるため、これらの手法は極端に便利である。 本稿では,複数種類の攻撃に対するモデルの堅牢性を改善するために,ノイズ発生を明示的に学習するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T10:44:05Z)

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。