論文の概要: PDGMM-VAE: A Variational Autoencoder with Adaptive Per-Dimension Gaussian Mixture Model Priors for Nonlinear ICA

• arxiv url: http://arxiv.org/abs/2603.23547v1
• Date: Fri, 20 Mar 2026 08:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.928121
• Title: PDGMM-VAE: A Variational Autoencoder with Adaptive Per-Dimension Gaussian Mixture Model Priors for Nonlinear ICA
• Title（参考訳）: PDGMM-VAE:非線形ICAに先立つ適応型1次元ガウス混合モデルを持つ変分オートエンコーダ
• Authors: Yuan-Hao Wei, Yan-Jie Sun,
• Abstract要約: 独立したコンポーネント分析は、ブラインドソース分離の中核となるフレームワークである。 本稿では,ソース指向の変分オートエンコーダPDGMM-VAEを提案する。 線形および非線形混合問題の実験的結果は、PDGMM-VAEが遅延音源信号を復元できることを証明している。
• 参考スコア（独自算出の注目度）: 1.7403133838762448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Independent component analysis is a core framework within blind source separation for recovering latent source signals from observed mixtures under statistical independence assumptions. In this work, we propose PDGMM-VAE, a source-oriented variational autoencoder in which each latent dimension, interpreted explicitly as an individual source signal, is assigned its own Gaussian mixture model prior. Unlike conventional VAE formulations with a shared simple prior, the proposed framework imposes per-dimension heterogeneous prior constraints, enabling the model to capture diverse non-Gaussian source statistics and thereby promote source separation under a probabilistic encoder-decoder architecture. Importantly, the parameters of these per-dimension GMM priors are not fixed in advance, but are adaptively learned and automatically refined toward convergence together with the encoder and decoder parameters under the overall training objective. Within this formulation, the encoder serves as a demixing mapping from observations to latent sources, while the decoder reconstructs the observed mixtures from the inferred components. The proposed model provides a systematic study of an idea that had previously only been noted in our preliminary form, namely, equipping different latent sources with different GMM priors for ICA, and formulates it as a full VAE framework with end-to-end training and per-dimension prior learning. Experimental results on both linear and nonlinear mixing problems demonstrate that PDGMM-VAE can recover latent source signals and achieve satisfactory separation performance.
• Abstract（参考訳）: 独立成分分析(Independent component analysis)は、統計的独立仮定の下で観測された混合物から潜時音源信号を回復するためのブラインド音源分離の中核となるフレームワークである。 本研究では,ソース指向の変分オートエンコーダであるPDGMM-VAEを提案する。 従来のVAEの定式化と異なり,提案フレームワークでは,各次元毎の不均一な事前制約を課し,多様な非ガウス情報源統計を抽出し,確率的エンコーダ・デコーダアーキテクチャの下でソース分離を促進する。 重要なことに、これらの次元ごとのGMM前のパラメータは事前に固定されていないが、適応的に学習され、全体的な訓練目的の下でエンコーダパラメータとデコーダパラメータとともに収束に向けて自動的に洗練される。 この定式化の中で、エンコーダは観測から潜伏源へのデミックスマッピングとして機能し、デコーダは推定された成分から観測された混合物を再構成する。 提案モデルは,これまで予備形態でのみ注目されていたアイデア,すなわちICAの異なるGMMプリエントを,異なるGMMプリエントに装備するアイデアを体系的に研究し,エンドツーエンドトレーニングとディメンジョン単位の事前学習を備えた完全なVAEフレームワークとして定式化する。 線形および非線形混合問題の実験的結果は、PDGMM-VAEが遅延音源信号を復元し、良好な分離性能が得られることを示した。

関連論文リスト

• AR-Flow VAE: A Structured Autoregressive Flow Prior Variational Autoencoder for Unsupervised Blind Source Separation [1.4174475093445233]
  盲点分離のための新しいVAEベースのフレームワークであるAR-Flow VAEを提案する。 この研究は、AR-Flow VAEの識別可能性と解釈可能性に関する今後の研究の基礎を提供する。
  論文  参考訳（メタデータ） (2026-03-15T15:35:51Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Distributional Learning of Variational AutoEncoder: Application to Synthetic Data Generation [0.7614628596146602]
  本稿では,VAEフレームワークの計算上の利点を犠牲にすることなく,モデル容量を拡大する手法を提案する。 VAEモデルのデコーダは、非対称ラプラス分布の無限混合からなる。 提案したモデルを合成データ生成に適用し,特にデータプライバシの調整が容易であることを示す。
  論文  参考訳（メタデータ） (2023-02-22T11:26:50Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。