論文の概要: Learnable Adaptive Time-Frequency Representation via Differentiable Short-Time Fourier Transform

• arxiv url: http://arxiv.org/abs/2506.21440v1
• Date: Thu, 26 Jun 2025 16:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.185926
• Title: Learnable Adaptive Time-Frequency Representation via Differentiable Short-Time Fourier Transform
• Title（参考訳）: 可変短時間フーリエ変換による適応時間周波数表現
• Authors: Maxime Leiber, Yosra Marnissi, Axel Barrau, Sylvain Meignen, Laurent Massoulié,
• Abstract要約: 本稿では,パラメータの勾配に基づく最適化を可能にするSTFTの微分可能な定式化を提案する。 提案手法はニューラルネットワークとシームレスに統合され,STFTパラメータとネットワーク重みの同時最適化が可能となる。 提案手法は,TFRの強化と下流タスクの性能向上に有効である。
• 参考スコア（独自算出の注目度）: 11.05158127763157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The short-time Fourier transform (STFT) is widely used for analyzing non-stationary signals. However, its performance is highly sensitive to its parameters, and manual or heuristic tuning often yields suboptimal results. To overcome this limitation, we propose a unified differentiable formulation of the STFT that enables gradient-based optimization of its parameters. This approach addresses the limitations of traditional STFT parameter tuning methods, which often rely on computationally intensive discrete searches. It enables fine-tuning of the time-frequency representation (TFR) based on any desired criterion. Moreover, our approach integrates seamlessly with neural networks, allowing joint optimization of the STFT parameters and network weights. The efficacy of the proposed differentiable STFT in enhancing TFRs and improving performance in downstream tasks is demonstrated through experiments on both simulated and real-world data.
• Abstract（参考訳）: 短時間フーリエ変換(STFT)は非定常信号の解析に広く用いられている。 しかし、その性能はそのパラメータに非常に敏感であり、手動またはヒューリスティックなチューニングはしばしば準最適結果をもたらす。 この制限を克服するために、パラメータの勾配に基づく最適化を可能にするSTFTの統一的な微分可能定式化を提案する。 このアプローチは、しばしば計算集約的な離散探索に依存する従来のSTFTパラメータチューニング手法の限界に対処する。 所望の基準に基づいて時間周波数表現(TFR)を微調整できる。 さらに,本手法はニューラルネットワークとシームレスに統合され,STFTパラメータとネットワーク重みの同時最適化が可能となった。 TFRの強化と下流タスクの性能向上における差別化可能なSTFTの有効性は、シミュレーションデータと実世界のデータの両方で実証された。

関連論文リスト

• LoCA: Location-Aware Cosine Adaptation for Parameter-Efficient Fine-Tuning [47.77830360814755]
  位置認識コサイン適応(LoCA)は離散逆コサイン変換(iDCT)に基づく新しい周波数領域パラメーター効率微調整法である 分析の結果,周波数領域の分解が従来の低ランク手法の表現率を上回ることが判明した。 多様な言語および視覚的微調整タスクの実験は、LoCAが低ランク法に匹敵する計算能力を維持しながら、パラメータ効率を向上することを示した。
  論文  参考訳（メタデータ） (2025-02-05T04:14:34Z)
• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• Differentiable short-time Fourier transform with respect to the hop length [4.664495510551647]
  本稿では,ホップ長やフレーム時間位置の勾配に基づく最適化が可能な,短時間フーリエ変換(STFT)の微分可能バージョンを提案する。 提案手法は、ホップ長の連続的な性質により、より微調整された最適化が可能となるため、フレームの時間的位置決めの制御を改善する。
  論文  参考訳（メタデータ） (2023-07-26T07:04:09Z)
• Differentiable adaptive short-time Fourier transform with respect to the window length [4.664495510551647]
  本稿では,短時間フーリエ変換(STFT)のフレーム単位と周波数単位のウィンドウ長に対する勾配に基づく最適化手法を提案する。 結果として得られる微分可能適応STFTは、過渡成分と定常成分の両方に同じ時間周波数表現で適応できるなど、可換性を持っているが、勾配降下により容易に最適化できる。
  論文  参考訳（メタデータ） (2023-07-26T06:55:42Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Optimizing Short-Time Fourier Transform Parameters via Gradient Descent [24.80575785857326]
  任意のコスト関数に対してSTFTパラメータの勾配を求める方法を示す。 我々は、入力全体を通して一定であるパラメータ値に対して、また、これらのパラメータが様々な信号特性に対応するために、時間とともに動的に変化しなければならない場合にも、そうする。
  論文  参考訳（メタデータ） (2020-10-28T15:49:56Z)

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。