論文の概要: Latent Mode Decomposition

• arxiv url: http://arxiv.org/abs/2505.17797v1
• Date: Fri, 23 May 2025 12:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.052162
• Title: Latent Mode Decomposition
• Title（参考訳）: 潜時モード分解
• Authors: Manuel Morante, Naveed ur Rehman,
• Abstract要約: 多変量信号から発振モードを抽出する新しいアルゴリズムである変分潜モード分解(VLMD)を導入する。 改良された性能は、疎コーディングとモード分解を混合した新しいモデルであるLatent Mode Decomposition (LMD)によって駆動される。 合成および実世界のデータセットの実験により、VLMDは最先端のMDD手法よりも精度、効率、解釈性が高いことが示された。
• 参考スコア（独自算出の注目度）: 0.3683202928838613
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce Variational Latent Mode Decomposition (VLMD), a new algorithm for extracting oscillatory modes and associated connectivity structures from multivariate signals. VLMD addresses key limitations of existing Multivariate Mode Decomposition (MMD) techniques -including high computational cost, sensitivity to parameter choices, and weak modeling of interchannel dependencies. Its improved performance is driven by a novel underlying model, Latent Mode Decomposition (LMD), which blends sparse coding and mode decomposition to represent multichannel signals as sparse linear combinations of shared latent components composed of AM-FM oscillatory modes. This formulation enables VLMD to operate in a lower-dimensional latent space, enhancing robustness to noise, scalability, and interpretability. The algorithm solves a constrained variational optimization problem that jointly enforces reconstruction fidelity, sparsity, and frequency regularization. Experiments on synthetic and real-world datasets demonstrate that VLMD outperforms state-of-the-art MMD methods in accuracy, efficiency, and interpretability of extracted structures.
• Abstract（参考訳）: 多変量信号から発振モードと関連する接続構造を抽出する新しいアルゴリズムである変分潜時モード分解(VLMD)を導入する。 VLMDは、既存の多変量モード分解(MMD)技術(高い計算コスト、パラメータの選択に対する感度、チャネル間の依存関係の弱いモデリングなど)の重要な制限に対処する。 改良された性能は、AM-FM発振モードからなる共有潜時成分の疎線形結合として、スパース符号化とモード分解を混合した新しいモデルである潜時モード分解(LMD)によって駆動される。 この定式化により、VLMDは低次元の潜在空間で動作することができ、ノイズ、スケーラビリティ、解釈可能性への堅牢性を高めることができる。 このアルゴリズムは、再構成忠実度、疎度、周波数正則化を共同で実施する制約付き変分最適化問題を解く。 合成および実世界のデータセットの実験により、VLMDは抽出された構造の精度、効率、解釈可能性において最先端のMDD法より優れていることが示された。

関連論文リスト

• Variational Autoencoding Discrete Diffusion with Enhanced Dimensional Correlations Modeling [48.96034602889216]
  Variencoding Discrete Diffusion (VADD) は、潜在変数モデリングによる離散拡散を強化する新しいフレームワークである。 補助的認識モデルを導入することにより、VADDはトレーニングセット上の変分下界と償却推論を介して安定したトレーニングを可能にする。 2Dトイデータ、画素レベルの画像生成、テキスト生成に関する実証結果は、VADDがMDMベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-23T01:45:47Z)
• Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
  本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。 ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。 定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
  論文  参考訳（メタデータ） (2024-10-22T03:00:11Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• 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)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Relational Reasoning via Set Transformers: Provable Efficiency and Applications to MARL [154.13105285663656]
  置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。 残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。 モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
  論文  参考訳（メタデータ） (2022-09-20T16:42:59Z)
• Residual Dynamic Mode Decomposition: Robust and verified Koopmanism [0.0]
  動的モード分解(DMD)は、より単純なコヒーレントな特徴の階層による複雑な動的プロセスを記述する。 本稿では,Residual Dynamic Mode Decomposition(ResDMD)を提案する。 ResDMDは一般的なクープマン作用素のスペクトルと擬似スペクトルを誤差制御で計算し、明示的な高階収束定理でスペクトル測度(連続スペクトルを含む)の滑らかな近似を計算する。
  論文  参考訳（メタデータ） (2022-05-19T18:02:44Z)

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。