論文の概要: Identifying Dependent Components from Multi-domain Linear Mixtures

• arxiv url: http://arxiv.org/abs/2610.28330v1
• Date: Tue, 20 Oct 2026 15:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.875637
• Title: Identifying Dependent Components from Multi-domain Linear Mixtures
• Title（参考訳）: 多領域線形混合器からの依存成分の同定
• Abstract要約: 複数のデータ領域を想定した線形混合モデルについて検討した。 十分なドメイン可変性の下では、潜在変数と混合関数は2次統計量のみから識別可能であることを示す。 MuDo-CoMはシミュレーションデータと実世界のfMRIデータセットに基づいて検証される。
• 参考スコア（独自算出の注目度）: 12.910355239432512
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study a linear mixing model with dependent latent components, assuming multiple data domains. Most existing models assume that the components are independent or at least uncorrelated, in line with independent component analysis (ICA). Some recent work allows for dependent components, but then makes specific assumptions such as parametric forms of dependencies, multi-view settings, or interventions, or does not recover the individual components. In contrast, we consider a multi-domain setting in which domains differ through domain-specific scalings of the components, while the distribution of the underlying latent components is the same across domains. This approach can model data collected, for example, from different sensors measuring the same process, different laboratories conducting the same experiment, different experimental conditions, or different subjects that might differ in biological or physiological factors. We show that, under sufficient domain variability, latent variables and mixing functions can be identified from second-order statistics alone. We propose the Multi-Domain Covariance Matching (MuDo-CoM) algorithm that generalizes previous methods of joint diagonalization. MuDo-CoM is validated on simulated data and a real-world fMRI dataset.
• Abstract（参考訳）: 複数のデータ領域を想定した線形混合モデルについて検討した。 既存のモデルの多くは、コンポーネントは独立成分分析(ICA)に従って、独立成分または少なくとも非相関成分であると仮定している。 最近の作業では、依存するコンポーネントを許容するが、パラメトリックな依存関係形式、マルチビュー設定、介入といった特定の仮定を行うか、個々のコンポーネントを回復しない。 対照的に、ドメインがコンポーネントのドメイン固有のスケーリングによって異なるマルチドメイン設定を考える一方で、下位の潜在コンポーネントの分布はドメイン間で同じである。 このアプローチは、例えば、同じプロセスを測定する異なるセンサー、同じ実験を行う異なる研究室、異なる実験条件、生物学的または生理的要因が異なるかもしれない異なる被験者から収集されたデータをモデル化することができる。 十分なドメイン可変性の下では、潜在変数と混合関数は2次統計量のみから識別可能であることを示す。 結合対角化の従来の手法を一般化するマルチドメイン共分散マッチング(MuDo-CoM)アルゴリズムを提案する。 MuDo-CoMはシミュレーションデータと実世界のfMRIデータセットに基づいて検証される。

関連論文リスト

• Multiple Domain Generalization Using Category Information Independent of Domain Differences [19.30816824251175]
  ドメインの一般化(Domain Generalization)は、トレーニングで使用されるデータセットとは異なる新しい環境やデータセット(見えないドメイン)に適用した場合、モデルを高い精度で維持することを可能にする技術である。 この問題は、撮像装置や染色方法などの環境条件の異なる領域の違いによるものである。 そこで本研究では,ドメインの違いに依存しないカテゴリ情報と,ソースドメイン固有の情報とを分離する手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T15:05:05Z)
• Identifiable Shared Component Analysis of Unpaired Multimodal Mixtures [10.563519176608667]
  マルチモーダル学習における中核的なタスクは、複数の特徴空間(テキストや音声など)からの情報を統合することであり、モダリティに不変なデータ表現を提供することである。 近年の研究では、カノニカル相関分析(CCA)のような古典的なツールが、共有されたコンポーネントを小さなあいまいさまで確実に識別できることが示されている。 この研究はさらに一歩前進し、クロスモーダルなサンプルが不整合である多モード線形混合物の共有成分識別性について研究した。
  論文  参考訳（メタデータ） (2024-09-28T17:43:17Z)
• A distance for mixed-variable and hierarchical domains with meta variables [1.677718351174347]
  不均一データセットは、さまざまな機械学習および最適化アプリケーションに現れる。 最初の主な貢献は、階層的、木構造的、変数サイズ、条件付き検索フレームワークを一般化するモデリングフレームワークである。 2つ目の寄与は、同じ変数を共有しない混合変数の任意の対を比較する新しい距離である。
  論文  参考訳（メタデータ） (2024-05-20T23:11:03Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)

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。