Blind Estimation of Eigenvector Centrality from Graph Signals: Beyond Low-pass Filtering
本文描述了仅从节点上的数据估计网络特征向量中心性的困难，即，没有关于网络拓扑的信息。我们将此节点数据建模为通过通用（不一定是低通）图形滤波器传递白噪声所生成的图形信号。利用图滤波器的谱特性，我们估计底层网络的邻接矩阵的特征向量。为此，提出了一种简单的选择算法，它选择正确的特征向量的信号协方差矩阵的基础图形滤波器上的最小假设。然后，我们提出了该算法的渐近和非渐近性能的理论表征，从而提供了一个样本的复杂性界的中心估计和揭示驱动这种复杂性的关键因素。最后，我们通过一组不同的随机图模型的数值实验来说明所开发的见解。
2020-05-02 cs.SI eess.SP
Attempted Blind Constrained Descent Experiments
Carnegie Mellon University（卡内基梅隆大学）
Blind Descent使用受约束但有指导的方法来学习权重。概率密度函数在维度的无限空间中是非零的（例子：高斯和正态概率分布函数）。在Blind Descent论文中，一些隐含的想法，包括逐层训练和逐过滤器训练（具有不同的批量大小），被提出作为可能的贪婪解决方案。对类似实验的结果进行了讨论。本文实验的Octave（和提出的PyTorch变体）源代码可以在https://github.com/PrasadNR/Attempted-Blind-Constrained-Descent-Experiments-ABCDE-上找到。这与https://github.com/akshat57/Blind-Descent的原始PyTorch源代码的ABCDE衍生物进行了比较。
2021-02-18 cs.LG eess.SP
Unfolding Neural Networks for Compressive Multichannel Blind Deconvolution
Harvard University（哈佛大学）；Weizmann Institute of Science（魏茨曼科学研究所）
针对压缩稀疏多通道盲反卷积问题，提出了一种学习结构的展开神经网络。在这个问题中，每个通道的测量值被给出为公共源信号和稀疏滤波器的卷积。与以前的作品中，压缩是通过随机投影或通过应用一个固定的结构化压缩矩阵来实现不同，本文提出了从数据中学习压缩矩阵。给定完整的测量值，所提出的网络以无监督的方式进行训练，以学习源和估计稀疏滤波器。然后，给定估计的源，我们学习结构化压缩算子，同时优化信号重建和稀疏滤波器恢复。压缩的有效结构允许其实际的硬件实现。所提出的神经网络是一种基于展开方法构建的自动编码器：在训练时，编码器使用压缩算子和源将压缩测量映射到稀疏滤波器的估计中，线性卷积解码器重建完整的测量。我们证明，我们的方法是优于经典的结构化压缩稀疏多通道盲反卷积方法的精度和速度的稀疏滤波器恢复。
2021-02-12 cs.LG eess.SP
Blind Community Detection from Low-rank Excitations of a Graph Filter
本文考虑了一个新的框架来检测社区的图从观察信号在其节点。我们将观察到的信号建模为未知网络过程的噪声输出，表示为由一组未知的低秩输入/激励的图形滤波器。该模型的应用场景包括扩散动态，定价实验和意见动态。我们的目标不是学习图本身的精确参数，而是直接检索社区结构。本文表明，社区可以通过应用频谱方法的协方差矩阵的图形信号检测。我们的分析表明，社区发现的性能取决于一个“低通”属性的图过滤器。我们还表明，性能可以通过低秩矩阵加稀疏分解方法时，潜在的参数向量是已知的。数值实验证明了该方法的有效性。
2019-04-13 cs.SI eess.SP stat.ML
Directional Sparse Filtering using Weighted Lehmer Mean for Blind Separation of Unbalanced Speech Mixtures
Nanyang Technological University（南洋理工大学）；Delta-NTU Corporate Lab for Cyber-Physical Systems（Delta-南大网络物理系统联合实验室）；Delta Electronics Inc（台达电子公司）
在语音信号的盲源分离中，源频谱中固有的不平衡性对依赖于单源优势来估计混合矩阵的方法提出了挑战。我们提出了一种算法的基础上的方向稀疏滤波（DSF）的框架，利用Lehmer平均与可学习的权重，自适应占源不平衡。在多个真实声学环境中的性能评估显示，与基线方法相比，源分离有所改善。
2021-05-14 cs.LG cs.SD eess.AS
Graph-signal Reconstruction and Blind Deconvolution for Structured Inputs
成功处理复杂的当代数据集的关键是开发易于处理的模型，这些模型可以解释手头信息的不规则结构。本文提供了一个全面和统一的观点，几个采样，重建和恢复问题的信号定义在不规则的域，可以准确地表示由一个图形。主力假设是，（部分）观察到的信号可以被建模为一个图形滤波器的输出到一个结构化的（简约）输入图形信号。当输入或滤波器系数已知时，这等同于假设感兴趣的信号存在于由支持图定义的子空间上。当两者都未知时，模型变为双线性。在对输入或滤波器系数施加不同的先验和附加结构时，出现了广泛的相关问题公式。然后，目标是利用这些先验、支持图的移位算子和感兴趣的信号的样本来恢复：非采样节点处的信号（图-信号插值）、输入（反卷积）、滤波器系数（系统辨识）或其任何组合（盲反卷积）。
2021-06-01 eess.SP
Unrolled Compressed Blind-Deconvolution
Harvard University（哈佛大学）；Indian Institute of Technology (IIT) Bombay（印度理工学院孟买分校）；Weizmann Institute of Science（魏茨曼科学研究所）
针对稀疏多通道盲反卷积问题，提出一种数据驱动的展开学习框架，通过滤波与子采样压缩信号并学习压缩滤波器，实现比优化方法更鲁棒的恢复性能及少样本下更强的泛化能力。
2023-05-18 cs.LG eess.SP
Neural Kalman Filtering for Unknown Dynamics: Task-Aware Learning with a Koopman Backbone
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Yonsei University（延世大学）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Weizmann Institute of Science（魏茨曼科学研究所）；Northeastern University（东北大学）
针对未知动力学下的卡尔曼滤波问题，提出基于Koopman算子的任务感知神经框架，通过双头架构联合学习线性替代与增益，实现高精度跟踪。
2026-09-22 eess.SP
Blind Deconvolution of Graph Signals: Robustness to Graph Perturbations
研究无向图节点信号的盲反卷积，在存在图扰动时推导出稳定恢复条件，并提出一种在盲反卷积与Stiefel流形特征基去噪间交替的收敛鲁棒算法。
2024-12-19 eess.SP
Blind Room Impulse Response Identification via Reverberant Speech Spectrum Reconstruction
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）
提出Rec-RIR方法，基于卷积传递函数近似，通过多任务深度神经网络顺序去除噪声和混响，并利用混响语音频谱重建估计CTF滤波器，再通过伪侵入式测量转换为RIR，实现盲RIR识别，性能达到SOTA。
2026-06-29 eess.AS eess.SP
Blind Demixing of Diffused Graph Signals
本文针对扩散图信号混合场景，提出联合识别图滤波器并分离稀疏输入信号的盲分离方法，推导不同支撑图下的分离可行性与恢复概率界，分析单图退化情形，并通过实验验证理论结果。
2023-04-30 eess.SP
Blind Deconvolution on Graphs: Exact and Stable Recovery
本研究针对图上扩散源定位的盲反卷积问题，借助扩散滤波器可逆性条件构建凸松弛线性规划方法，推导了无噪精确恢复与含噪稳定恢复条件，实验验证了算法有效性，将经典盲反卷积拓展至不规则图域。
2024-09-18 eess.SP
Blind Extraction of Equitable Partitions from Graph Signals
RWTH Aachen University（亚琛工业大学）
找到公平的分区是密切相关的提取图的对称性和兴趣在各种应用程序的上下文中，如节点的角色检测，集群同步，共识动态和网络控制问题。在这项工作中，我们研究了一个盲识别问题，我们的目标是恢复一个公平的网络分区，而不知道网络的边缘，但仅仅基于一个未知的图形过滤器的输出的观察。具体来说，我们考虑两个设置。首先，我们考虑一种情况，在这种情况下，我们可以控制输入到图过滤器，并提出了一种方法来提取分区的启发，著名的Weisfeiler-Lehman（颜色细化）算法。其次，我们将这个想法推广到一个设置，只观察输出的随机，低秩激励的图过滤器，并提出了一个简单的谱算法来提取相关的公平分区。最后，我们建立了理论上的误差范围，这种光谱检测方案所招致的，并进行数值实验，说明我们的理论结果，并比较两种算法。
2022-03-10 cs.LG eess.SP math.OC
Exact Blind Community Detection from Signals on Multiple Graphs
图上支持的网络和数据在科学和工程中无处不在。本文研究了“盲”社区发现问题，在这里我们试图推断的社区结构的一个图模型给出了一组连接是未知的节点上的独立图信号的观察。我们将每个观察结果建模为过滤后的白噪声，其中底层网络结构随每个观察结果而变化。这些不同的网络结构被建模为一个潜在的种植分区模型（PPM）的独立实现，证明我们的假设是一个恒定的底层社区结构在所有的观察。在图过滤器和PPM参数的某些条件下，我们提出了用于确定（i）潜在社区的数量和（ii）PPM的相关分区的算法。然后，我们证明了统计保证的渐近和非渐近抽样的情况下。对真实数据和合成数据的数值实验证明了算法的有效性。
2020-01-29 cs.SI eess.SP
Blind Inference of Eigenvector Centrality Rankings
我们考虑的问题，估计网络的特征向量中心只从节点上的数据，没有关于网络拓扑结构的信息。利用图滤波器的多功能性来建模网络过程，节点上支持的数据被建模为通过应用于白噪声的图滤波器的输出获得的图信号。我们试图通过绕过网络拓扑推断方法来简化中心性排名的下游任务，而是直接从图信号推断图的中心性结构。为此，我们提出了两个简单的算法排名一组节点连接的一组未观察到的边缘。我们推导出这些算法的渐近和非渐近保证，揭示了决定手头任务复杂性的关键特征。最后，我们说明了所提出的算法在合成和真实世界的数据集上的行为。
2020-08-26 cs.SI eess.SP
Blind Deconvolution of Sparse Graph Signals in the Presence of Perturbations
本文针对图信息存在扰动时的稀疏图信号盲解卷积问题，提出一种在顶点域中估计生成滤波器逆的优化估计器，并通过数值实验验证其有效性。
2023-09-16 eess.SP
Blind identification of Ambisonic reduced room impulse response
Orange Labs（Orange实验室）
本文针对广义时域速度矢量（GTVV）闭式表达中参考信号需为最小相位滤波器的假设限制，提出直接对构成GTVV时间序列的脉冲响应进行建模以放宽假设并实现更高效的盲系统辨识，实测实验验证了该方法的有效性。
2023-11-06 cs.SD eess.AS eess.SP
Decomposition of Higher-Order Spectra for Blind Multiple-Input Deconvolution, Pattern Identification and Separation
与普通功率谱一样，高阶谱（HOS）描述了在时间平移下不变的信号特性。与功率谱不同，HOS保留相位信息，从相位信息可以恢复信号波形的细节。在这里，我们考虑的问题，识别多个未知的瞬态波形内发生的合奏记录在相互随机延迟。我们开发了一种新的技术，用于恢复滤波器从HOS的波形检测的性能接近的最佳匹配滤波器，不需要有关波形的先验信息。与以前的技术通过HOS的信号识别，该方法同样适用于确定性和非确定性HOS的信号。在非确定性的情况下，它会产生一个添加剂分解，引入一个新的方法来分离的非高斯信号具有非确定性的高阶矩的分量过程。我们展示了与最小熵盲反卷积（MED）的密切关系，本技术通过避免对数值优化的需要而改进，同时仅需要时移、逐元素乘法和平均的数值稳定操作，使其特别适合于实时应用。HOS分解在实际信号中的应用通过心电图中正常和异常心跳的盲去噪、检测和分类来展示。
2019-08-25 eess.SP q-bio.QM stat.AP
Semi-Blind Source Separation for Nonlinear Acoustic Echo Cancellation
非线性自适应滤波器用于非线性声学回声消除（NAEC）时，数值模型与实际模型的不匹配是一个难题。为了缓解这个问题，我们结合了一个基本的通用扩展的无记忆非线性半盲源分离（SBSS）。通过将远端输入信号的所有基函数视为已知的等效参考信号，推导出一种基于约束缩放自然梯度策略的SBSS更新算法。与常用的自适应算法不同，所提出的SBSS是基于近端信号和参考信号之间的独立性，并且对数值模型和实际模型之间的非线性失配不太敏感。实验结果表明，该方法优于传统方法的回声回波损耗增强（ERLE）和近端语音质量评价的语音质量的感知评价（PESQ）和短时客观可懂度（STOI）。
2021-02-13 eess.SP
Blind Graph Matching Using Graph Signals
针对底层图未知时先推断拓扑易受观测误差影响的问题，提出直接由图滤波器输出信号构建样本协方差矩阵并依据选定特征向量匹配节点的盲图匹配方法。
2024-03-30 eess.SP
Blind Sparse Estimation of Intermittent Sources over Unknown Fading Channels
通过在缓慢平坦衰落信道上进行的传感器测量，在融合中心处观察射频源。源的数量可能大于传感器的数量，但它们的活动是稀疏的，间歇性的突发传输模式。为了解释这一点，源被建模为具有已知或未知参数的隐马尔可夫模型。针对在缺乏信道状态信息的情况下的盲源估计问题，提出了一种新的盲源估计算法，该算法包括字典学习（DL）阶段和逐源随机滤波（PSF）阶段。这两个阶段协同工作，后者对前者产生的输出进行操作。这两个阶段的设计，以便占稀疏性和内存的来源。为此，平滑LASSO与DL集成，而前向-后向算法和期望最大化（EM）算法用于PSF。实验结果表明，该算法能有效地提高信源的检测和估计性能，并且对稀疏性具有较好的鲁棒性。
2019-08-05 eess.SP
Sequential Detection-Based Iterative Blind Separation for Single-Channel Co-Frequency Signals
School of Electrical and Information Engineering, Zhengzhou University（郑州大学电气与信息工程学院）
针对单通道同频信号盲分离精度与鲁棒性不足的问题，提出基于序贯检测的迭代分离算法，融合延迟无迹卡尔曼滤波，提升分离与信道估计性能，并显著增强噪声容忍度。
2026-09-11 eess.SP
Achieving Robustness in Blind Modulo Analog-to-Digital Conversion
针对模数转换器预测误差无界导致不稳定的问题，提出一种无需有界假设的增强型模数展开解决方案，通过开发可靠检测器成功展开信号，提升了系统鲁棒性并降低了量化噪声。
2024-12-24 eess.SP
Time-Window Noise2Noise: Self-Supervised Blind Denoising of Mechanical Vibration and Impact Signals
University of Campinas（坎皮纳斯大学）；Technical University of Denmark（丹麦技术大学）
本研究提出自监督盲去噪方法TWN2N，无需先验噪声信息，在两类基准上实现显著SNR增益，提升了模态参数识别精度。
2026-10-28 eess.SP
Identifying First-order Lowpass Graph Signals using Perron Frobenius Theorem
本文研究了从图信号中盲辨识图滤波器的问题。我们的目的是确定如果图形滤波器生成的图形信号是一阶低通，而不知道图形拓扑结构。请注意，低通图形滤波器是应用图形信号处理工具进行采样、去噪和图形学习的常见先决条件。我们的方法受到Perron Frobenius定理的启发，该定理观察到对于一阶低通图滤波器，输出协方差的顶部特征向量将是具有相同符号的元素的唯一特征向量。利用这一观察，我们开发了一个简单的检测器，回答如果一个给定的数据集是由一阶低通图滤波器。我们分析了有限样本、图的大小、观测噪声、低通滤波器的强度对检测器性能的影响。合成和真实数据的数值实验支持我们的研究结果。
2021-01-20 eess.SP
Classifier-guided neural blind deconvolution: a physics-informed denoising module for bearing fault diagnosis under heavy noise
The Hong Kong Polytechnic University（香港理工大学）；Harbin Institute of Technology（哈尔滨工业大学）；Beijing Jiaotong University（北京交通大学）
针对盲反卷积与深度学习分类器结合时学习目标冲突的问题，提出分类器引导的神经盲反卷积框架ClassBD，利用神经网络实现BD并设计物理先验损失函数进行联合优化，在三个数据集的强噪声条件下取得了优于现有方法的诊断效果。
2024-04-11 cs.LG eess.SP
Efficient Recovery of Sparse Graph Signals from Graph Filter Outputs
本文针对图滤波器输出中稀疏图信号的恢复问题，利用双重稀疏性和低阶滤波器假设，提出GM-GIC、graph-BNB-GIC和GFOC三种算法，并拓展至盲反卷积场景。
2024-11-07 cs.SY eess.SP eess.SY
