首页/论文/2007.10182

arXiv 2007.101822020-07-20cs.LGstat.ML

慢流时间序列声源分离

Time Series Source Separation with Slow Flows

Safran Tech（赛峰科技）；Telecom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院）

Edouard Pineau, Sébastien Razakarivony, Thomas Bonald

备注：: INNF+ Workshop, ICML 2020

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们表明，慢特征分析（SFA），一种常见的时间序列分解方法，自然适合基于流的模型（FBM）框架，一种可逆的神经潜变量模型。基于盲声源分离的最新进展，我们表明，这样一个适合的时间序列分解识别。

英文摘要：

In this paper, we show that slow feature analysis (SFA), a common time series decomposition method, naturally fits into the flow-based models (FBM) framework, a type of invertible neural latent variable models. Building upon recent advances on blind source separation, we show that such a fit makes the time series decomposition identifiable.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

在线时间序列预测的快速和慢速学习

Learning Fast and Slow for Online Time Series Forecasting

Singapore Management University（新加坡管理大学）；Salesforce Research Asia（赛富时亚洲研究院）

深度神经网络在非平稳环境中的快速适应能力对于在线时间序列预测至关重要。成功的解决方案需要处理对新的和重复出现的模式的更改。然而，动态训练深度神经预测器是非常具有挑战性的，因为它们适应非平稳环境的能力有限，并且会对旧知识产生灾难性遗忘。在这项工作中，受互补学习系统（CLS）理论的启发，我们提出了快速和慢速学习网络（FSNet），一个整体的框架，在线时间序列预测，同时处理突变和重复模式。特别是，FSNet通过动态平衡对最近变化的快速适应和检索类似的旧知识来改善缓慢学习的骨干。FSNet通过适配器的两个互补组件之间的交互来实现这种机制，以监视每个层对丢失的贡献，以及支持记住，更新和调用重复事件的关联存储器。在真实和合成数据集上进行的大量实验验证了FSNet对新模式和重复模式的有效性和鲁棒性。我们的代码可在\url{https://github.com/salesforce/fsnet}上获得。

2022-10-17cs.LGstat.ML

基于储层计算从时间序列中无监督提取慢时变系统参数动力学以预测未观测到的分岔

Prediction of Unobserved Bifurcation by Unsupervised Extraction of Slowly Time-Varying System Parameter Dynamics from Time Series Using Reservoir Computing

Faculty of Health Data science, Juntendo University（顺天堂大学健康数据科学学部）；The School of Systems Information Science, Future University Hakodate（函馆未来大学系统信息科学学院）

本研究针对未知参数的时变非线性系统分岔预测难题，提出快慢双储层架构的储层计算模型，无监督提取慢变参数，成功预测训练数据外的混沌系统分岔，可应用于多领域不可观测慢动力学相关问题。

2024-06-20cs.LGnlin.CDstat.ML

基于动态模式分解的时间序列源分离

Time Series Source Separation using Dynamic Mode Decomposition

University of Michigan（密歇根大学）

动态模式分解（DMD）提取的动态模式是矩阵的非正交特征向量，其最佳地近似多元样本的一步时间演化。在动力系统分析的背景下，提取的动态模式是全局稳定性模式的推广。我们将DMD应用于数据矩阵，其行是线性无关的，潜在的时间序列的加法混合。我们发现，当潜在的时间序列是不相关的一个时间步长的滞后，然后，在大样本限制，恢复的动态模式将近似，列的方式规范化，列的混合矩阵。因此，DMD是一种伪装的时间序列盲源分离算法，但不同于密切相关的二阶算法，例如二阶盲识别（SOBI）方法和多未知信号提取算法（AMUSE）。所有这些都可以以基于峰度的独立分量分析（ICA）根本无法实现的方式对混合平稳、遍历高斯时间序列进行解混。我们使用我们对单滞后DMD的见解来开发更高滞后的扩展，分析有和没有随机缺失数据的有限样本性能，并确定更高滞后变体可以优于传统单滞后变体的设置。我们用数值模拟验证了我们的结果，并强调了DMD如何用于变点检测。

2020-03-05cs.LGmath.STstat.ML

多慢才算慢？SFA检测比驱动力慢的信号

How slow is slow? SFA detects signals that are slower than the driving force

慢特征分析（SFA）是一种从快速变化的非平稳时间序列中提取慢变化驱动力的方法。我们在这里表明，它是可能的SFA检测到一个组件，甚至比驱动力本身（例如调制正弦波的包络）慢。它示出，它取决于像嵌入维数，时间序列的可预测性，或基础频率的情况下，无论是驱动力本身或较慢的子分量被检测到。我们观察到从一个政权到其他的相变，这是这项工作的目的，量化的各种参数对这种相变的影响。我们的结论是，什么是感知为慢的SFA变化，或多或少快速切换从一个政权到另一个发生，也许表现出一些相似的人类感知。

2009-11-23stat.ML

利用自协方差矩阵分离不相关的平稳时间序列

Separation of uncorrelated stationary time series using autocovariance matrices

盲源分离（Blind Source Separation，BSS）是一种信号处理工具，广泛应用于各个领域。例子包括生物医学信号分离、脑成像和经济时间序列应用。在BSS中，假设观测到的$p$时间序列是$p$潜在不相关弱平稳时间序列的线性组合。然后，目标是找到解混矩阵的估计，该解混矩阵将观察到的时间序列变换回不相关的潜在时间序列。在二阶盲辨识（SOBI）中，利用协方差阵和多滞后自协方差矩阵的联合对角化来估计解混矩阵。解混矩阵的行可以一个接一个地导出（基于紧缩的方法）或同时导出（对称方法）。后者是众所周知的，特别是在信号处理文献中，然而，严格的分析，其统计特性一直缺失。本文填补了这一空白，详细研究了对称SOBI估计的统计性质，并在一般条件下找到了它的极限分布。在一般的多元MA $(\infty)$过程下，比较了对称SOBI估计和最近引入的基于收缩的SOBI估计的渐近效率.一些有限样本的仿真研究，以及一个真正的EEG数据的例子说明了理论。

2014-05-14math.STstat.TH

张量值时间序列的盲源分离

Blind source separation of tensor-valued time series

多元时间序列的盲源分离模型通常假设观测序列是未观测序列的线性变换，其分量在时间上不相关或独立。给定观测值，目标是找到恢复潜在序列的线性变换。实现这一点的几种方法存在和三个特定的是经典的SOBI和最近提出的广义FOBI（gFOBI）和广义JADE（gJADE），每个基于使用的联合滞后矩。在本文中，我们推广这些算法背后的张量值时间序列的方法。我们假设我们的数据由在每个时间点观察到的张量组成，并且观察是我们希望估计的潜在张量的线性变换。张量推广有特别优雅的形式，我们表明，他们每个人都是Fisher一致的和正交等变的。将新方法与原始方法在各种环境中进行比较表明，张量扩展优于其向量值对应物和两种现有的张量降维方法。数据最后，fMRI数据和视频处理的应用表明，该方法能够从嘈杂的高维数据中提取相关信息。

2017-03-30math.STstat.TH

更多相关论文收起更多论文

具有随机连接矩阵的线性储备池的分离能力

Separation capacity of linear reservoirs with random connectivity matrix

University of Liverpool（利物浦大学）

本研究开发了分析随机线性储备池分离能力的数学框架，揭示了连接矩阵缩放、对称性等对分离的影响，为储备池设计提供理论依据，分离能力可用于随机储备池的分析。

2026-08-17cs.LGmath.PRstat.ML

神经粗粒化：用神经网络提取缓慢变化的潜在自由度

Neural Coarse-Graining: Extracting slowly-varying latent degrees of freedom with neural networks

Araya；Earth-Life-Science Institute（地球生命科学研究所）；University of Hertfordshire（赫特福德大学）

我们为神经网络提出了一个损失函数，它包含了平凡预测与非平凡预测的概念，这样网络就可以共同确定自己的预测目标并学会满足这些目标。这允许网络选择最适合其能力的问题子集，同时丢弃干扰其学习的“分散注意力”的元素。为此，网络首先将原始数据转换为更高级别的分类表示，然后从新的时间序列中训练预测器。为了防止将信号映射到零的平凡解决方案，我们通过学习模型的预测误差与整体信号统计的朴素模型之间的对比来引入非平凡性的度量。该变换可以学习丢弃信号的无信息和不可预测的分量，以支持高度预测和高度可预测的特征。这创建了时间序列动态的粗粒度模型，专注于预测控制时间序列统计的缓慢变化的潜在参数，而不是直接预测快速细节。其结果是一个半监督算法，它能够提取潜在参数，分割具有不同统计数据的时间序列部分，并从未标记的数据中构建底层动态的更高级别的表示。

2016-09-01cs.AIcs.LGstat.ML

基于传感器无关信号表示的非线性盲源分离

Nonlinear Blind Source Separation Using Sensor-Independent Signal Representations

考虑具有分量$x_k \mbox{ for } k = 1,2, \ldots ,N$的信号测量$x(t)$的时间序列。本文展示了如何确定这些信号是否等于两个或多个独立子系统的状态变量的线性或非线性混合。首先，处理测量速度的局部分布（$\dot{x}$），以便导出每个$x$处的$N$局部矢量。如果数据是可分离的，则这些向量中的每一个都沿着通过改变一个子系统的状态变量而遍历的子空间定向，而所有其他子系统保持不变。由于该属性，这些矢量可用于确定数据是否是可分离的，并且如果是，则可将$x(t)$变换到可分离的坐标系中，以便恢复独立子系统的时间序列。该方法的说明，通过使用它来盲恢复单独的话语的两个扬声器从非线性组合的波形。

2016-01-13stat.ME

慢思考LLM能否在时间上进行推理？时间序列预测的实证研究

Can Slow-thinking LLMs Reason Over Time? Empirical Studies in Time Series Forecasting

State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学）

本文探讨慢思考LLM能否在时间序列预测中进行推理，通过实验证明其零样本预测能力，揭示LLM在时间动态上的潜力与局限。

2025-12-21cs.AIcs.LG

时间序列预测作为推理：一种基于强化LLM的慢思考方法

Time Series Forecasting via Reasoning: A Slow-Thinking Approach with Reinforcement Fine-Tuned LLMs

State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学）

提出Time-R1框架，通过两阶段强化微调（监督微调+强化学习）训练LLM进行多步推理，以提升时间序列预测的准确性。

2026-08-25cs.AIcs.LG

基于信号不变量的非线性盲声源分离

Performing Nonlinear Blind Source Separation with Signal Invariants

University of Chicago（芝加哥大学）

给定多分量测量值x（t）的时间序列，非线性盲声源分离（BSS）的通常目标是找到“源”时间序列s（t），该“源”时间序列由测量值的统计独立组合组成。本文要求源时间序列在（s，ds/dt）空间中的密度函数等于各分量密度函数的乘积。BSS问题的这种公式化具有唯一的解决方案，直到排列和分量变换。可分离性施加限制的某些局部不变（标量）的功能x，这是来自本地高阶相关的数据的速度dx/dt。数据是可分离的，当且仅当它们满足这些约束，并且如果满足这些约束，则可以从数据显式地构造源。该方法说明了使用它来分离两个语音类似的声音记录与一个麦克风。

2009-04-03cs.AIcs.LG

基于局部敏感角丢失的深度度量学习神经脉冲信号自校正声源分离

Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals

Imperial College London（帝国理工学院）

神经生理学时间序列，如肌电信号和皮层内记录，通常由许多单独的尖峰源组成，其恢复可以提供对感兴趣的生物系统的基本见解或为人机接口提供神经信息。由于这个原因，声源分离算法已经成为神经科学和神经工程中越来越重要的工具。然而，在有噪声或高度多变量的记录中，这些分解技术通常产生大量的错误，这降低了人机接口应用，并且通常需要对尖峰时间戳的输出标签集进行昂贵的事后手动清理。为了解决自动化事后清理和鲁棒分离过滤器的需求，我们提出了一种基于深度度量学习的方法，使用一种新颖的损失函数来保持类内方差，从而创建适合标签清理和发现新激活的丰富嵌入空间。然后，我们验证了这种方法与人为损坏的标签集的基础上源分离的高密度表面肌电图记录，恢复原始的时间戳，即使在极端程度的功能和类相关的标签噪声。这种方法使神经网络能够学习使用任何不完美的标记信号的方法来准确地解码神经生理时间序列。

2021-10-13cs.LGq-bio.NC

基于状态空间微分几何的非线性盲声源分离

Using state space differential geometry for nonlinear blind source separation

给定一个时间序列的多分量测量的一个不断发展的刺激，非线性盲声源分离（BSS）的目的是找到一个“源”的时间序列，包括统计独立的组合的测量成分。在本文中，我们寻求一个源的时间序列与当地的速度互相关消失的刺激状态空间中的任何地方。然而，在较早的文件中，当地的速度相关矩阵被证明是构成一个度量的状态空间。因此，非线性BSS映射到微分几何问题：给定测量坐标系中观察到的度量，找到另一个度量处处对角的坐标系。我们将展示如何确定所观察到的数据是可分离的，以这种方式，如果他们是，我们将展示如何构建所需的变换到源坐标系，这是基本上唯一的，除了一个未知的旋转，可以通过应用线性BSS的方法。因此，所提出的技术解决了非线性BSS在许多情况下，或至少，减少它的线性BSS，而不使用概率，参数，或迭代过程。本文还介绍了这种方法的推广，执行非线性独立子空间分离。在每种情况下，观察到的数据的最终分解是刺激演变的内在属性，因为它不依赖于观察者选择查看它的方式（例如，观察机器的传感器的选择）。换句话说，分解是“真实”刺激演化的一种性质，它“在那里”向观察者传播能量。分析和数值例子说明了该技术。

2006-12-19cs.LGcs.SD

基于时空图神经网络的大地测量时间序列去噪：在慢滑移事件提取中的应用

Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction

Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；IRD（法国发展研究院）；ISTerre（地球内部与表面物理研究所）；Grenoble INP（格勒诺布尔理工学院）；GIPSA-lab（信号与图像、智能系统与环境实验室）；Institut Universitaire de France（法兰西大学研究院）

本文提出SSEdenoiser，一种结合图循环网络与时空Transformer的多站时空图注意力去噪器，用于从GNSS大地测量时间序列中去除复杂时空相关噪声，并在卡斯卡迪亚俯冲带成功以亚毫米级精度提取与构造震颤时空演化一致的慢滑移事件。

2024-05-06cs.AIcs.LGeess.SP