論文の概要: Physics-Guided Dual Implicit Neural Representations for Source Separation
- arxiv url: http://arxiv.org/abs/2507.05249v1
- Date: Mon, 07 Jul 2025 17:56:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.559386
- Title: Physics-Guided Dual Implicit Neural Representations for Source Separation
- Title（参考訳）: 音源分離のための物理誘導デュアルインプシットニューラル表現
- Authors: Yuan Ni, Zhantao Chen, Alexander N. Petsch, Edmund Xu, Cheng Peng, Alexander I. Kolesnikov, Sugata Chowdhury, Arun Bansil, Jana B. Thayer, Joshua J. Turner,
- Abstract要約: 我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。
本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。
本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 70.38762322922211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Significant challenges exist in efficient data analysis of most advanced experimental and observational techniques because the collected signals often include unwanted contributions--such as background and signal distortions--that can obscure the physically relevant information of interest. To address this, we have developed a self-supervised machine-learning approach for source separation using a dual implicit neural representation framework that jointly trains two neural networks: one for approximating distortions of the physical signal of interest and the other for learning the effective background contribution. Our method learns directly from the raw data by minimizing a reconstruction-based loss function without requiring labeled data or pre-defined dictionaries. We demonstrate the effectiveness of our framework by considering a challenging case study involving large-scale simulated as well as experimental momentum-energy-dependent inelastic neutron scattering data in a four-dimensional parameter space, characterized by heterogeneous background contributions and unknown distortions to the target signal. The method is found to successfully separate physically meaningful signals from a complex or structured background even when the signal characteristics vary across all four dimensions of the parameter space. An analytical approach that informs the choice of the regularization parameter is presented. Our method offers a versatile framework for addressing source separation problems across diverse domains, ranging from superimposed signals in astronomical measurements to structural features in biomedical image reconstructions.
- Abstract（参考訳）: 収集された信号は、しばしば、背景や信号の歪みなどの望ましくない寄与を含むため、興味のある物理的情報を曖昧にすることができるため、最も先進的な実験技術や観測技術の効率的なデータ分析において重要な課題が存在する。
そこで我々は,2つのニューラルネットワークを協調的に訓練する2つの暗黙的ニューラルネットワーク表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。
本手法は,ラベル付きデータや辞書を必要とせずに,復元に基づく損失関数を最小化することにより,生データから直接学習する。
本研究では, 4次元パラメータ空間における大規模シミュレーションおよび実験運動エネルギー依存非弾性中性子散乱データを含む挑戦的なケーススタディを, 不均一な背景の寄与と, 対象信号に対する未知の歪みを特徴とし, 本フレームワークの有効性を実証する。
信号特性がパラメータ空間の4次元すべてで異なる場合であっても、複雑な背景や構造化背景から物理的に有意な信号を切り離すことに成功している。
正規化パラメータの選択を通知する分析的アプローチが提示される。
提案手法は,天体観測における重畳信号から生体画像再構成における構造的特徴まで,様々な領域にわたるソース分離問題に対処するための汎用的なフレームワークを提供する。
関連論文リスト
- Heterogeneous quantization regularizes spiking neural network activity [0.0]
本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。
我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
論文 参考訳（メタデータ） (2024-09-27T02:25:44Z) - InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳（メタデータ） (2024-08-15T17:07:40Z) - Adversarial Perturbations of Physical Signals [0.0]
我々は、ソースと干渉器が検出器への波として伝播する信号を発信するシナリオを考察する。
我々は、受信信号のスペクトルに対する摂動がほとんど知覚できないにもかかわらず、検出器がソースを誤分類する干渉信号を構築する。
実験により,様々な機械学習モデルに対して,効果的かつ物理的に実現可能な対向摂動を計算できることが実証された。
論文 参考訳（メタデータ） (2024-02-27T00:41:00Z) - Joint Alignment of Multivariate Quasi-Periodic Functional Data Using
Deep Learning [0.0]
深層ニューラルネットワークを用いた多変量準周期関数の結合アライメント法を提案する。
提案するニューラルネットワークは,単位単純度変換に基づく出力の特別な活性化を利用する。
本手法は,12個の心電図記録から得られた2つのシミュレーションデータセットと1つの実例を用いて実証した。
論文 参考訳（メタデータ） (2023-11-14T10:09:40Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳（メタデータ） (2022-12-15T11:01:32Z) - 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) - Toward deep-learning-assisted spectrally-resolved imaging of magnetic
noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。
これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文 参考訳（メタデータ） (2022-08-01T19:18:26Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z)
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。