論文の概要: Cross-Channel Unlabeled Sensing over a Union of Signal Subspaces
- arxiv url: http://arxiv.org/abs/2506.09773v1
- Date: Wed, 11 Jun 2025 14:10:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:03.041602
- Title: Cross-Channel Unlabeled Sensing over a Union of Signal Subspaces
- Title（参考訳）: 信号部分空間のアンラベル化によるクロスチャネルセンシング
- Authors: Taulant Koka, Manolis C. Tsakiris, Benjamín Béjar Haro, Michael Muma,
- Abstract要約: チャネル間をシャッフルした測定からマルチチャネル信号を回復する問題に、チャネル間無ラベルセンシングが対処する。
この研究は、チャネル間無ラベルセンシングフレームワークをサブスペースの結合にある信号に拡張する。
- 参考スコア（独自算出の注目度）: 14.612673151889615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-channel unlabeled sensing addresses the problem of recovering a multi-channel signal from measurements that were shuffled across channels. This work expands the cross-channel unlabeled sensing framework to signals that lie in a union of subspaces. The extension allows for handling more complex signal structures and broadens the framework to tasks like compressed sensing. These mismatches between samples and channels often arise in applications such as whole-brain calcium imaging of freely moving organisms or multi-target tracking. We improve over previous models by deriving tighter bounds on the required number of samples for unique reconstruction, while supporting more general signal types. The approach is validated through an application in whole-brain calcium imaging, where organism movements disrupt sample-to-neuron mappings. This demonstrates the utility of our framework in real-world settings with imprecise sample-channel associations, achieving accurate signal reconstruction.
- Abstract（参考訳）: チャネル間をシャッフルした測定からマルチチャネル信号を回復する問題に、チャネル間無ラベルセンシングが対処する。
この研究は、チャネル間無ラベルセンシングフレームワークをサブスペースの結合にある信号に拡張する。
この拡張により、より複雑な信号構造を扱うことができ、フレームワークを圧縮センシングのようなタスクに拡張することができる。
これらのサンプルとチャネルのミスマッチは、自由に動く有機体の全脳カルシウムイメージングやマルチターゲット追跡などの応用にしばしば現れる。
我々は、より一般的な信号型をサポートしながら、一意に再構成するために必要なサンプル数に対して、より厳密な境界を導出することにより、従来のモデルよりも改善する。
このアプローチは、生物の動きがサンプル-ニューロンマッピングを妨害する全脳カルシウムイメージングの応用を通じて検証されている。
これにより,不正確なサンプルチャネルアソシエーションを用いた実環境環境でのフレームワークの有用性を実証し,正確な信号再構成を実現する。
関連論文リスト
- A Hybrid Transformer-Mamba Network for Single Image Deraining [70.64069487982916]
既存のデラリング変換器では、固定レンジウィンドウやチャネル次元に沿って自己アテンション機構を採用している。
本稿では,多分岐型トランスフォーマー・マンバネットワーク(Transformer-Mamba Network,TransMamba Network,Transformer-Mamba Network)を提案する。
論文 参考訳（メタデータ） (2024-08-31T10:03:19Z) - 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) - Cocktail: Mixing Multi-Modality Controls for Text-Conditional Image
Generation [79.8881514424969]
テキスト条件拡散モデルは多種多様な内容の高忠実度画像を生成することができる。
しかし、言語表現はしばしば、想定された目的像の曖昧な記述を示す。
様々なモダリティを1つの埋め込みに混ぜるパイプラインであるCocktailを提案する。
論文 参考訳（メタデータ） (2023-06-01T17:55:32Z) - 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) - Beurling-Selberg Extremization for Dual-Blind Deconvolution Recovery in
Joint Radar-Communications [38.440005068230576]
近年、統合センシングと通信への関心が、新しい信号処理技術の設計につながっている。
我々は、レーダと通信システムのチャネルと送信信号が共通受信機に未知なスペクトル共存シナリオに焦点を当てた。
論文 参考訳（メタデータ） (2022-11-16T22:55:12Z) - 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) - CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO
using Deep Learning [51.72869237847767]
周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。
これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-12T10:12:28Z) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z) - Dual Attention GANs for Semantic Image Synthesis [101.36015877815537]
本稿では,写真リアリスティック・セマンティック・一貫性のあるイメージを合成するための新しいデュアルアテンションGAN(DAGAN)を提案する。
また,2つの新しいモジュール,すなわち位置対応空間アテンションモジュール(SAM)と規模対応チャネルアテンションモジュール(CAM)を提案する。
DAGANは、より少ないモデルパラメータを使用しながら、最先端のメソッドよりも驚くほど優れた結果が得られる。
論文 参考訳（メタデータ） (2020-08-29T17:49:01Z)
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。