論文の概要: StrADiff: A Structured Source-Wise Adaptive Diffusion Framework for Linear and Nonlinear Blind Source Separation

• arxiv url: http://arxiv.org/abs/2604.04973v1
• Date: Sat, 04 Apr 2026 14:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.37166
• Title: StrADiff: A Structured Source-Wise Adaptive Diffusion Framework for Linear and Nonlinear Blind Source Separation
• Title（参考訳）: StrADiff: 線形および非線形ブラインド音源分離のための構造的ソース幅適応拡散フレームワーク
• Abstract要約: 本稿では,線形および非線形ブラインド音源分離のための構造的ソースワイズ適応拡散フレームワークを提案する。 このフレームワークは、各潜伏次元をソースコンポーネントとして解釈し、個別適応拡散機構を割り当てる。 ソースリカバリとミキシング/リコンストラクションプロセスを、統合されたエンドツーエンドの目標内で共同で学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a Structured Source-Wise Adaptive Diffusion Framework for linear and nonlinear blind source separation. The framework interprets each latent dimension as a source component and assigns to it an individual adaptive diffusion mechanism, thereby establishing source-wise latent modeling rather than relying on a single shared latent prior. The resulting formulation learns source recovery and the mixing/reconstruction process jointly within a unified end-to-end objective, allowing model parameters and latent sources to adapt simultaneously during training. This yields a common framework for both linear and nonlinear blind source separation. In the present instantiation, each source is further equipped with its own adaptive Gaussian process (GP) prior to impose source-wise temporal structure on the latent trajectories, while the overall framework is not restricted to Gaussian process priors and can in principle accommodate other structured source priors. The proposed model thus provides a general structured diffusion-based route to unsupervised source recovery, with potential relevance beyond blind source separation to interpretable latent modeling, source-wise disentanglement, and potentially identifiable nonlinear latent-variable learning under appropriate structural conditions.
• Abstract（参考訳）: 本稿では,線形および非線形ブラインド音源分離のための構造的ソースワイズ適応拡散フレームワークを提案する。 このフレームワークは、各潜伏次元をソースコンポーネントとして解釈し、個別の適応拡散機構を割り当て、単一の共有潜伏次元に依存するのではなく、ソースワイド潜伏モデリングを確立する。 得られた定式化は、統一されたエンドツーエンドの目標内で、ソースリカバリと混合/再構成プロセスを共同で学習し、トレーニング中にモデルパラメータと潜時ソースが同時に適応できるようにする。 これにより、線型と非線形の両方のブラインドソース分離のための共通の枠組みが得られる。 現在のインスタンス化では、各ソースは、遅延軌跡にソースの時間的構造を課す前に、独自の適応ガウス過程(GP)を備える。 提案モデルでは、教師なしソースリカバリに対する一般的な構造的拡散に基づく経路を提供し、ブラインドソース分離を超えて、解釈可能な潜在モデル、ソースワイド・アンタングルメント、および適切な構造条件下での潜在的に同定可能な非線形潜在変数学習との関連性を示す。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Anisotropic Modality Align [91.23979617826926]
  マルチモーダルな大規模言語モデルの訓練は、高品質なペア型マルチモーダルデータの不足により、長い間制限されてきた。 近年の研究では、事前訓練されたマルチモーダルコントラストモデルの共有表現空間がブリッジとして機能し、非モーダルデータを用いたマルチモーダルトレーニングを可能にすることが示されている。 中心となる障害は、共有空間の永続的なモダリティギャップにある。
  論文  参考訳（メタデータ） (2026-05-08T14:53:24Z)
• StrEBM: A Structured Latent Energy-Based Model for Blind Source Separation [0.0]
  StrEBMは、ソースワイドな表現学習のための構造的潜在エネルギーベースモデルである。 このフレームワークは、特定可能で分離された潜在組織を促進するという、より広範な目標によって動機付けられている。 線形および非線形混合条件下での合成マルチチャネル信号の実験により,提案モデルが音源成分を効率的に回収できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T11:11:38Z)
• SAHMM-VAE: A Source-Wise Adaptive Hidden Markov Prior Variational Autoencoder for Unsupervised Blind Source Separation [0.0]
  SAHMM-VAEは、教師なしブラインドソース分離のための変分自動エンコーダである。 我々は1つの共通フレームワーク内に3つの分岐を開発する: ガウス放出HMM前、マルコフスイッチング自己回帰HMM前、および状態ワイド自己回帰フロー変換によるHMM状態フロー前、である。
  論文  参考訳（メタデータ） (2026-03-26T13:08:16Z)
• PDGMM-VAE: A Variational Autoencoder with Adaptive Per-Dimension Gaussian Mixture Model Priors for Nonlinear ICA [1.7403133838762448]
  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。
  論文  参考訳（メタデータ） (2026-03-20T08:54:35Z)
• 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)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• 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)
• Generalizing Nonlinear ICA Beyond Structural Sparsity [15.450470872782082]
  非線形ICAの識別性は追加の仮定なしでは不可能であることが知られている。 近年の進歩は、構造スパーシティとして知られる観測変数への接続構造に関する条件を提案している。 フレキシブルなグルーピング構造であっても,適切な識別性が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-01T21:36:15Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

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。