論文の概要: Reservoir Subspace Injection for Online ICA under Top-n Whitening

• arxiv url: http://arxiv.org/abs/2603.02178v1
• Date: Mon, 02 Mar 2026 18:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:57.036543
• Title: Reservoir Subspace Injection for Online ICA under Top-n Whitening
• Title（参考訳）: トップn白化下におけるオンラインICA用貯留層サブスペース注入
• Authors: Wenjun Xiao, Yuda Bi, Vince D Calhoun,
• Abstract要約: 貯留層拡大は非線形混合下でのオンライン独立成分分析(ICA)を改善することができる。 我々はこのボトルネックをEmphreservoir subspace Injection (RSI)として定式化する。 パススルー保存により、RE-OICAは非線形混合下でバニラオンラインICAを$+1.7$,dBで改善する。
• 参考スコア（独自算出の注目度）: 16.83744068830771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir expansion can improve online independent component analysis (ICA) under nonlinear mixing, yet top-$n$ whitening may discard injected features. We formalize this bottleneck as \emph{reservoir subspace injection} (RSI): injected features help only if they enter the retained eigenspace without displacing passthrough directions. RSI diagnostics (IER, SSO, $ρ_x$) identify a failure mode in our top-$n$ setting: stronger injection increases IER but crowds out passthrough energy ($ρ_x: 1.00\!\rightarrow\!0.77$), degrading SI-SDR by up to $2.2$\,dB. A guarded RSI controller preserves passthrough retention and recovers mean performance to within $0.1$\,dB of baseline $1/N$ scaling. With passthrough preserved, RE-OICA improves over vanilla online ICA by $+1.7$\,dB under nonlinear mixing and achieves positive SI-SDR$_{\mathrm{sc}}$ on the tested super-Gaussian benchmark ($+0.6$\,dB).
• Abstract（参考訳）: 貯留層拡大は非線形混合下でのオンライン独立成分分析(ICA)を改善することができるが、トップ$n$の白化は注入された特徴を捨てる可能性がある。 我々はこのボトルネックを 'emph{reservoir subspace Injection} (RSI) として定式化する。 RSI診断(IER, SSO, $ρ_x$)は、上位$n$設定における障害モードを識別する: より強いインジェクションはIERを増加させるが、パススルーエネルギー(ρ_x: 1.00\! きゃーーーーーーーーーーーーーーー 0.77ドル)、SI-SDRを最大2.2ドルまで劣化させる。 ガード付きRSIコントローラはパススルー保持を保持し、平均性能を1/N$のベースラインの0.1$\,dB以内まで回復する。 パススルー保存により、RE-OICAは非線形混合下でバニラオンラインICAを+1.7$\,dBで改善し、テストされたスーパーガウスベンチマーク(+0.6$\,dB)上で正のSI-SDR$_{\mathrm{sc}}$を達成する。

関連論文リスト

• Complexity of Classical Acceleration for $\ell_1$-Regularized PageRank [14.919427330415608]
  FISTAは1/$ローカリティスケーリングを保ちながら$$への依存を改善することができることを示す。 我々はFISTAをわずかに過正規化された目的に基づいて解析し、チェック可能な閉じ込め条件下では、全ての刺激活性化が境界集合内に存在することを示す。 これにより、加速された$(sqrt)-1log(/varepsilon)$項と境界オーバーヘッド$sqrtvol(mathcalB)/(3/2)$からなるバウンダリが得られる。
  論文  参考訳（メタデータ） (2026-02-24T17:35:46Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Latency and Ordering Effects in Online Decisions [0.0]
  オンライン意思決定システムは遅延フィードバックと順序に敏感なダイナミクスの下で動作している。 ヘテロジニアスレイテンシ、非可換性、実装ギャップ効果を1つの下界ステートメントにパッケージ化する。
  論文  参考訳（メタデータ） (2025-11-17T07:08:05Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Combinatorial Logistic Bandits [30.829239785016934]
  我々はロジスティック・バンディット(CLogB)と呼ばれる新しいフレームワークを紹介する。 各ラウンドでは、ベースアームのサブセット(スーパーアームと呼ばれる)が選択され、各ベースアームの結果はバイナリとなる。 実世界のデータセットの実験では、ベンチマークアルゴリズムと比較してアルゴリズムの性能が優れていた。
  論文  参考訳（メタデータ） (2024-10-22T14:52:46Z)
• Order-Optimal Instance-Dependent Bounds for Offline Reinforcement Learning with Preference Feedback [56.6950165117658]
  我々は、暗黙の報酬が未知パラメータの線形関数である、好みフィードバックによるオフライン強化学習について検討する。 そこで我々は,UnderlineLocally Underline Underline Weights あるいは sc RL-LOW を用いたアルゴリズムを提案する。 我々は,sc RL-LOWの次数次最適性を示すため,単純な後悔マッチングの指数において,下限と上限が順序的に一致することが観察された。
  論文  参考訳（メタデータ） (2024-06-18T02:03:12Z)
• Achieving Constant Regret in Linear Markov Decision Processes [57.34287648914407]
  我々は不特定線形マルコフ決定過程(MDP)に対するアルゴリズムCert-LSVI-UCBを導入する。 Cert-LSVI-UCB は $tildemathcalO(d3H5/Delta)$ の累積後悔を高い確率で示し、不特定度 $zeta$ が $tildemathcalO(Delta / (sqrtdH2))$ 以下であることを示す。
  論文  参考訳（メタデータ） (2024-04-16T17:23:19Z)
• Mitigating the Curse of Dimensionality for Certified Robustness via Dual Randomized Smoothing [48.219725131912355]
  本稿では,2次元平滑化による高次元入力に対する$ell$認証ロバスト性の実現可能性について検討する。 提案したDual Smoothing (DRS)は入力イメージを2つのサブイメージにダウンサンプルし、下位次元で2つのサブイメージを滑らかにする。 広汎な実験は、確立された方法論と統合する顕著な能力を示すDSSの一般化性と有効性を示す。
  論文  参考訳（メタデータ） (2024-04-15T08:54:33Z)
• Bridging Distributional and Risk-sensitive Reinforcement Learning with Provable Regret Bounds [24.571530193140916]
  エントロピーリスク尺度(EntRM)が目的である有限エピソードマルコフ決定過程を考察する。 モデルフリーとモデルベースを含む2つの異なるスキームを用いて最適化を実装する2つの新しいDRLアルゴリズムを提案する。 いずれも$tildemathcalO(fracexp(|beta|H)-1|beta|HsqrtS2AK)$ regret upper bound, where $S$, $A$, $K$, $H$は数値を表す。
  論文  参考訳（メタデータ） (2022-10-25T14:30:48Z)
• Toward Adversarial Robustness via Semi-supervised Robust Training [93.36310070269643]
  アドリラルな例は、ディープニューラルネットワーク(DNN)に対する深刻な脅威であることが示されている。 R_stand$ と $R_rob$ の2つの異なるリスクを共同で最小化することで、新しい防御手法であるロバストトレーニング(RT)を提案する。
  論文  参考訳（メタデータ） (2020-03-16T02:14:08Z)

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。