論文の概要: Learning Array Signal Topologies as Conditional Neural Manifolds

• arxiv url: http://arxiv.org/abs/2609.18616v1
• Date: Wed, 16 Sep 2026 13:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.813497
• Title: Learning Array Signal Topologies as Conditional Neural Manifolds
• Title（参考訳）: 条件付きニューラルマニフォールドとしてのアレー信号トポロジーの学習
• Abstract要約: 条件付きニューラル多様体(CNM)は、固定多様体を元パラメータからステアリングベクトルへの観測条件付き写像に置き換える。 CNMは配列の不完全性、色付きノイズ、相関音源、近接場伝播の下で分解能を復元する。
• 参考スコア（独自算出の注目度）: 19.843056471811824
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Subspace methods such as multiple signal classification (MUSIC) achieve super-resolution direction of arrival (DoA) estimation by exploiting the orthogonality between the array manifold and the noise subspace of the measurements. Their accuracy therefore depends on the assumed manifold and degrades under model mismatch, while parameters not identifiable from the spatial manifold cannot be recovered. In this work, we propose the conditional neural manifold (CNM), which replaces the fixed manifold with an observation-conditioned mapping from source parameters to steering vectors. An encoder maps the snapshots to a latent scene representation that conditions a zero-initialized neural field over the parameter space. The manifold is learned without steering-vector supervision by shaping the resulting MUSIC landscape. Since the correction acts on the manifold rather than on the estimator, it can be used by other manifold-based methods without modification. The CNM restores resolution under array imperfections, colored noise, correlated sources, and near-field propagation, and resolves the angle-frequency ambiguity inherent to the nominal spatial manifold.
• Abstract（参考訳）: 多重信号分類(MUSIC)のような部分空間法は、アレイ多様体と測定の雑音部分空間との間の直交性を利用して、到着方向(DoA)推定を行う。 したがって、それらの精度は仮定された多様体に依存し、モデルミスマッチの下で分解されるが、空間多様体から特定できないパラメータは回復できない。 本研究では,固定多様体を元パラメータからステアリングベクトルへの観測条件付き写像に置き換える条件付きニューラル多様体(CNM)を提案する。 エンコーダは、スナップショットをパラメータ空間上のゼロ初期化ニューラルフィールドを条件とする潜在シーン表現にマッピングする。 この多様体は、結果として生じるMUSICの景観を形作ることによって、操舵ベクトルの監督なしに学習される。 補正は推定器ではなく多様体に作用するため、他の多様体ベースの方法でも修正なしで利用できる。 CNMは、配列不完全性、色付きノイズ、相関音源、近接場伝播の下で分解能を回復し、空間多様体に固有の角度-周波数の曖昧さを解消する。

関連論文リスト

• Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
  本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。 具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。 特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
  論文  参考訳（メタデータ） (2026-06-13T12:37:20Z)
• High-Dimensional Change-Point Detection via Angular Kernel Statistics [9.486498387993718]
  本研究では,小バッチの観測から推測を行なわなければならない状況下での高次元データに対する変化点検出について検討した。 我々の主な焦点は高次元低サンプルサイズ(HDLSS)レギュレーションであり、周囲の寸法がばらつきながら配列長が固定される。 本稿では,辺分布シフトを検出するための次元平均角カーネルスキャンフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T13:45:38Z)
• MEDAL: Manifold Embedding Distillation via Autoencoder Learning [5.046831208137848]
  低次元埋め込みは高次元データの視覚的要約として広く使われ、下流の科学的発見を可能にする。 しかし、t-SNE や UMAP などの一般的な非線形次元減少法は、視覚的魅力のみに基づいて選択されることが多い。 我々は,再利用可能なエンコーダ・デコーダモデルに適合する多様体を蒸留する新しいフレームワーク MEDAL を開発した。
  論文  参考訳（メタデータ） (2026-05-22T21:45:12Z)
• Inverting Self-Organizing Maps: A Unified Activation-Based Framework [39.146761527401424]
  我々は,SOMの活性化パターンを逆転させて,微妙な幾何学的条件下での正確な入力を復元できることを示す。 我々は,MUSIC (Manifold-Aware Unified SOM Inversion and Control) 更新ルールを導入する。 合成ガウス混合系, MNIST と Faces in the Wild を用いたアプローチを検証した。
  論文  参考訳（メタデータ） (2026-01-20T11:02:54Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• On-Manifold Projected Gradient Descent [0.0]
  この研究は、高次元データに対するクラス多様体の微分幾何学に対する計算可能で直接的で数学的に厳密な近似を提供する。 ツールはニューラルネットワーク画像分類器の設定に適用され、新しいオンマンフォールドデータサンプルを生成する。
  論文  参考訳（メタデータ） (2023-08-23T17:50:50Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)
• Manifold Fitting under Unbounded Noise [4.54773250519101]
  出力多様体は、基底多様体上の射影点の接空間を直接推定することによって構成される。 我々の新しい手法は、推定された多様体と基礎多様体の間の距離の上限という観点から、高い確率で理論収束を与える。
  論文  参考訳（メタデータ） (2019-09-23T08:55:41Z)

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。