論文の概要: StrEBM: A Structured Latent Energy-Based Model for Blind Source Separation

• arxiv url: http://arxiv.org/abs/2604.17381v1
• Date: Sun, 19 Apr 2026 11:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.49584
• Title: StrEBM: A Structured Latent Energy-Based Model for Blind Source Separation
• Title（参考訳）: StrEBM:ブラインド源分離のための構造的遅延エネルギーベースモデル
• Authors: Yuan-Hao Wei,
• Abstract要約: 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。
• 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 proposes StrEBM, a structured latent energy-based model for source-wise structured representation learning. The framework is motivated by a broader goal of promoting identifiable and decoupled latent organization by assigning different latent dimensions their own learnable structural biases, rather than constraining the entire latent representation with a single shared energy. In this sense, blind source separation is adopted here as a concrete and verifiable testbed, through which the evolution of latent dimensions toward distinct underlying components can be directly examined. In the proposed framework, latent trajectories are optimized directly together with an observation-generation map and source-wise structural parameters. Each latent dimension is associated with its own energy-based formulation, allowing different latent components to gradually evolve toward distinct source-like roles during training. In the present study, this source-wise energy design is instantiated using Gaussian-process-inspired energies with learnable length-scales, but the framework itself is not restricted to Gaussian processes and is intended as a more general structured latent EBM formulation. Experiments on synthetic multichannel signals under linear and nonlinear mixing settings show that the proposed model can recover source components effectively, providing an initial empirical validation of the framework. At the same time, the study reveals important optimization characteristics, including slow late-stage convergence and reduced stability under nonlinear observation mappings. These findings not only clarify the practical behavior of the current GP-based instantiation, but also establish a basis for future investigation of richer source-wise energy families and more robust nonlinear optimization strategies.
• Abstract（参考訳）: 本稿では、ソースワイドな表現学習のための構造化潜在エネルギーベースモデルであるStrEBMを提案する。 このフレームワークは、一つの共有エネルギーで潜在表現全体を制約するのではなく、異なる潜在次元をそれぞれの学習可能な構造バイアスに割り当てることで、特定可能かつ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。 この意味では、ブラインドソースの分離はコンクリート的で検証可能なテストベッドとして採用され、それによって、異なる基礎成分への潜伏次元の進化を直接的に調べることができる。 提案フレームワークでは、遅延軌道を観測世代マップとソースワイドな構造パラメータとともに直接最適化する。 各潜伏次元は、それぞれのエネルギーベースの定式化と関連付けられ、異なる潜伏成分は、訓練中に異なるソースのような役割へと徐々に進化する。 本研究では,ガウス過程にインスパイアされたエネルギーを学習可能な長さスケールで利用して,このエネルギー設計を行うが,フレームワーク自体はガウス過程に限定されず,より汎用的な構造化された潜在ESMの定式化を意図している。 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,提案モデルがソース成分を効果的に回収できることが示され,フレームワークの初期実験による検証結果が得られた。 同時に、この研究は、非線形観測写像の下での遅い後期収束と安定性の低下を含む重要な最適化特性を明らかにした。 これらの知見は、現在のGPベースのインスタンス化の実践的挙動を明らかにするだけでなく、よりリッチなソースワイドエネルギーファミリーとより堅牢な非線形最適化戦略の今後の研究の基盤も確立している。

関連論文リスト

• StrADiff: A Structured Source-Wise Adaptive Diffusion Framework for Linear and Nonlinear Blind Source Separation [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-04T14:47:06Z)
• USBD: Universal Structural Basis Distillation for Source-Free Graph Domain Adaptation [28.47018372381707]
  SF-GDAは、グラフデータセット間でのプライバシ保護の知識伝達において重要である。 本稿では, バイアスモデルに適応するパラダイムを, SF-GDAの普遍的構造基底学習にシフトさせるフレームワークであるユニバーサル構造基底蒸留を提案する。
  論文  参考訳（メタデータ） (2026-02-09T09:39:07Z)
• Reasoning Palette: Modulating Reasoning via Latent Contextualization for Controllable Exploration for (V)LMs [49.66344956133349]
  推論能力は、大規模な(ビジョン)言語モデルのための推論時間性能と強化学習(RL)トレーニングの両方を形作る。 本稿では,戦略的文脈化のための潜在変数をモデルに付与する新しい潜在変調フレームワークであるReasoning Paletteを提案する。
  論文  参考訳（メタデータ） (2025-12-19T03:32:53Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• Toward Explainable Offline RL: Analyzing Representations in Intrinsically Motivated Decision Transformers [0.0]
  弾性決定変換器(EDT)は特にオフラインの強化学習で成功している。 近年の研究では、本質的なモチベーション機構をEMTに組み込むことで、探索作業における性能を向上させることが示されている。 本稿では,EDTの内在的モチベーションがEDTへの埋め込みをいかに学習したかを分析するための,系統的なポストホック説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:01:24Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Inference-InfoGAN: Inference Independence via Embedding Orthogonal Basis Expansion [2.198430261120653]
  解離学習は、生成モデルが一般的な戦略である独立かつ解釈可能な潜在変数を構築することを目的としている。 本稿では,直交基底拡張(OBE)をInfoGANネットワークに組み込むことで,新しいGANベースの非絡み合いフレームワークを提案する。 我々の推論情報GANは、モデル微調整なしで、FactVAE、分離されたferenceAttribute Predictability(SAP)、Mutual Information Gap(MIG)、およびVP(VP)の指標で高い歪みスコアを得る。
  論文  参考訳（メタデータ） (2021-10-02T11:54:23Z)
• Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
  本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。 我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
  論文  参考訳（メタデータ） (2020-07-29T07:31:33Z)

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。