論文の概要: PHAST-Net: Attention-Guided, Physics-Informed Network for Unified Estimation of Ideal Time-Frequency Representations
- arxiv url: http://arxiv.org/abs/2606.23665v1
- Date: Mon, 22 Jun 2026 17:49:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 17:23:14.631171
- Title: PHAST-Net: Attention-Guided, Physics-Informed Network for Unified Estimation of Ideal Time-Frequency Representations
- Title（参考訳）: PHAST-Net:理想的な時間周波数表現の統一推定のための注意誘導物理インフォームドネットワーク
- Authors: James M. Cozens, Simon J. Godsill,
- Abstract要約: PHAST-Netは、理想的な時間周波数表現を統一的に推定するための注意誘導型物理インフォームドネットワークである。
スペクトル、テンポベース、メートル法、およびスペクトル、テンポグラム、メトログラムなどの調和表現にまたがる。
- 参考スコア（独自算出の注目度）: 6.783232060611112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce PHAST-Net, an attention-guided, physics-informed network for unified estimation of Ideal Time-Frequency Representations (ITFRs), spanning spectral, tempo-based, metrical, and harmonic representations such as Spectrograms, Tempograms, and Metrograms. PHAST-Net learns an application-general mapping from a constellation of wavelet transforms, the proposed Continuous Log-frequency Adaptive Wavelet Transform (CLAWT), to high-resolution, cross-term-suppressed time-frequency (T-F) representations. The proposed constellation of CLAWTs is selected through Cohen's class kernel analysis to maximise curvature coverage in a logarithmic-frequency T-F plane tailored to harmonic signal structure. PHAST-Net further incorporates a proposed physics-informed auxiliary reprojection loss designed to reconstruct the idealised observed CLAWT constellation from the predicted ITFR and the corresponding Cohen's class kernels during training. This auxiliary objective promotes transform consistency and energy conservation, mitigates pathological target sparsity, and enhances optimisation stability. Attention layers further promote effective cross-term suppression across the input constellation. The log-frequency formulation also enables Harmonic PHAST-Net, which estimates a Harmonic ITFR that isolates fundamental structure, supporting robust fundamental-only representations for speech and music, such as derived fundamental Tempograms and Metrograms. We further introduce Spline-PHAST-Net, which parameterises detected and associated T-F ridges as continuous spline trajectories, enabling arbitrary-grid re-rendering and signal reconstruction. Trained on an effectively unbounded procedurally generated dataset, PHAST-Net demonstrates improved accuracy over established approaches, providing a unified framework for high-resolution, cross-term-robust analysis of speech, music, and broader nonstationary signals.
- Abstract（参考訳）: 観念誘導型物理インフォームドネットワークであるPHAST-Netを導入し, スペクトル, テンポベース, 計量, 調和表現(スペクトログラム, テンポグラム, メトログラム)にまたがる理想的時間周波数表現(ITFR)を統一的に推定する。
PHAST-Netは、連続対数周波数適応ウェーブレット変換 (CLAWT) から高分解能な時間周波数(T-F)表現への一般マッピングを学習する。
CLAWTの星座はコーエンのクラスカーネル解析により選択され、高調波信号構造に合わせて対数周波数T-F平面の曲率カバレッジを最大化する。
PHAST-Netはさらに、予測されたITFRとそれに対応するCohenのクラスカーネルから理想化されたCLAWT星座を再構築するために設計された物理情報による補助的な再投射損失が提案されている。
この補助的目的は、変換の一貫性とエネルギー保存を促進し、病理的な標的空間を緩和し、最適化安定性を高める。
注意層はさらに入力星座を横断する効果的な長期的抑制を促進する。
対数周波数の定式化により、基本構造を分離するハーモニックITFRを推定するハーモニックPHAST-Netが、派生の基本テンポグラムやメトログラムのような、音声と音楽の堅牢な基本のみの表現をサポートする。
さらに、検出されたT-Fリッジを連続的なスプライン軌道としてパラメータ化し、任意のグリッド再レンダリングと信号再構成を可能にするSpline-PHAST-Netを導入する。
PHAST-Netは、効果的に束縛されていない手続き的に生成されたデータセットに基づいて、確立されたアプローチよりも精度が向上し、音声、音楽、およびより広範な非定常信号の高分解能かつ長期的分析のための統一的なフレームワークを提供する。
関連論文リスト
- Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。
FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。
連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文 参考訳（メタデータ） (2026-03-23T03:22:33Z) - JSR-GFNet: Jamming-to-Signal Ratio-Aware Dynamic Gating for Interference Classification in future Cognitive Global Navigation Satellite Systems [14.709743647152301]
本稿では,bfJSR-Guided Fusion Network (JSR-GFNet)を提案する。
このマルチモーダルアーキテクチャは、位相感受性複素In-Phase/Quadrature(IQ)サンプルとショートタイムフーリエ変換(STFT)スペクトログラムを組み合わせたものである。
実験によると、JSR-GFNetは10-50dBのJSRスペクトルで高い精度を実現している。
論文 参考訳（メタデータ） (2026-01-19T07:01:25Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - MFC-RFNet: A Multi-scale Guided Rectified Flow Network for Radar Sequence Prediction [7.015114232190396]
レーダエコーシークエンスからの正確な高分解能降水は、災害軽減と経済計画に不可欠である。
鍵となる課題は、複雑なマルチスケール進化のモデル化、変位に起因するフレーム間特徴の不整合、長距離コンテキストの効率的なキャプチャである。
本稿では,MFRF-Net(Multiscale Feature Communication Rectified Flow Network)を提案する。
論文 参考訳（メタデータ） (2026-01-07T06:24:26Z) - WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。
高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。
標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
論文 参考訳（メタデータ） (2025-10-24T01:41:31Z) - Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。
私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
論文 参考訳（メタデータ） (2025-07-23T10:46:25Z) - MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。
マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。
主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-03-11T11:40:14Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - Learning Wave Propagation with Attention-Based Convolutional Recurrent
Autoencoder Net [0.0]
本稿では、波動伝播現象のデータ駆動モデリングのための、エンド・ツー・エンドの注意に基づく畳み込み再帰型オートエンコーダ(AB-CRAN)ネットワークを提案する。
波動伝搬に時間依存の双曲偏微分方程式で与えられる全階スナップショットから、デノナイジングに基づく畳み込みオートエンコーダを用いる。
注意に基づくシーケンス・ツー・シーケンス・ネットワークは、通常のRNN-LSTMと比較して、予測の時間-水平を5倍増加させる。
論文 参考訳（メタデータ） (2022-01-17T20:51:59Z)
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。