論文の概要: Neural Functions for Learning Periodic Signal

• arxiv url: http://arxiv.org/abs/2506.09526v1
• Date: Wed, 11 Jun 2025 08:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.782818
• Title: Neural Functions for Learning Periodic Signal
• Title（参考訳）: 周期的信号学習のための神経機能
• Authors: Woojin Cho, Minju Jo, Kookjin Lee, Noseong Park,
• Abstract要約: 本稿では,計測から周期パターンを抽出し,その情報を利用して信号を表現する新しいネットワークアーキテクチャを提案する。 偏微分方程式の周期解の学習を含む包括的実験により提案手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 25.278349611091983
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As function approximators, deep neural networks have served as an effective tool to represent various signal types. Recent approaches utilize multi-layer perceptrons (MLPs) to learn a nonlinear mapping from a coordinate to its corresponding signal, facilitating the learning of continuous neural representations from discrete data points. Despite notable successes in learning diverse signal types, coordinate-based MLPs often face issues of overfitting and limited generalizability beyond the training region, resulting in subpar extrapolation performance. This study addresses scenarios where the underlying true signals exhibit periodic properties, either spatially or temporally. We propose a novel network architecture, which extracts periodic patterns from measurements and leverages this information to represent the signal, thereby enhancing generalization and improving extrapolation performance. We demonstrate the efficacy of the proposed method through comprehensive experiments, including the learning of the periodic solutions for differential equations, and time series imputation (interpolation) and forecasting (extrapolation) on real-world datasets.
• Abstract（参考訳）: 関数近似器として、ディープニューラルネットワークは様々な信号タイプを表現する効果的なツールとして機能している。 近年のアプローチでは、多層パーセプトロン(MLP)を用いて座標から対応する信号への非線形マッピングを学習し、離散データポイントからの連続神経表現の学習を容易にする。 多様な信号タイプを学習することに顕著な成功にもかかわらず、座標ベースのMLPは訓練領域を超えて過度に適合し、限定的な一般化性に直面することが多く、結果として外挿性能が低下する。 本研究は、真信号が空間的にも時間的にも周期的な特性を示すシナリオに対処する。 本稿では,計測から周期パターンを抽出し,その情報を利用して信号を表現し,一般化と外挿性能の向上を図る新しいネットワークアーキテクチャを提案する。 本稿では,微分方程式の周期解の学習や時系列計算(補間),実世界のデータセット上での予測(補間)など,包括的な実験を通じて提案手法の有効性を実証する。

関連論文リスト

• Machine Learning in Short-Reach Optical Systems: A Comprehensive Survey [2.425630641479336]
  本稿では,短距離通信における機械学習技術の応用について概説する。 本稿では,機械学習信号処理における時系列手法の新しい分類法を提案する。 我々は,短時間の光通信システムにおいて,より実用的で効率的な機械学習アプローチの展開の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2024-05-02T16:04:30Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• FFEINR: Flow Feature-Enhanced Implicit Neural Representation for Spatio-temporal Super-Resolution [4.577685231084759]
  本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。 モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。 FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
  論文  参考訳（メタデータ） (2023-08-24T02:28:18Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• 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)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Multi-Scale Neural network for EEG Representation Learning in BCI [2.105172041656126]
  本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。 スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
  論文  参考訳（メタデータ） (2020-03-02T04:06:47Z)

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。