Hierarchical Probabilistic Model for Blind Source Separation via Legendre Transformation
The University of Sydney(悉尼大学);National Institute of Informatics(国立信息学研究所)
提出了一种新的盲源分离方法--信息几何盲源分离方法。我们的公式是基于对数线性模型配备了一个分层结构的样本空间,它具有理论保证,以唯一地恢复一组源信号,通过最小化的库尔贝克-莱布勒散度从一组混合信号。源信号、接收信号和混合矩阵在我们的分层样本空间中被实现为不同的层。我们的实验结果表明,图像和时间序列数据,我们的方法是优于成熟的技术,能够分离信号与复杂的相互作用。
2021-06-11 cs.LG stat.ML
Semi-blind source separation with multichannel variational autoencoder
NTT Communication Science Laboratories, NTT Corporation(NTT 公司 NTT 通信科学实验室);University of Tsukuba(筑波大学)
本文提出了一种多通道源分离技术称为多通道变分自动编码器(MVAE)的方法,它使用一个条件的VAE(CVAE)的模型和估计的功率谱的混合源。通过使用具有源类别标签的训练示例的频谱图来训练CVAE,我们可以使用训练的解码器分布作为能够生成以指定类别标签为条件的频谱图的通用生成模型。通过将潜在空间变量和类别标签作为该生成模型的未知参数,我们可以开发一种保证收敛的半盲源分离算法,该算法包括迭代估计底层源的功率谱图以及分离矩阵。在实验评估中,我们的MVAE产生了更好的分离性能比基线方法。
2018-08-26 cs.LG stat.ML
Joint Sound Source Separation and Speaker Recognition
KU Leuven(鲁汶大学)
非负矩阵分解(NMF)已经被应用于从单个或非同时语音中学习说话人特征,用于说话人识别应用。它还以其在同时语音的(盲)声源分离中的良好性能而闻名。本文介绍了如何NMF可以用来联合解决这两个问题的多通道说话人识别器的同时语音。它示出了如何国家的最先进的盲声源分离的多通道NMF可以很容易地扩展到将说话人识别。CHiME语料库上的实验表明,该方法优于先应用声源分离,然后使用最先进的i-向量技术的说话人识别的顺序方法。
2016-04-29 cs.LG cs.SD
Mixing-Specific Data Augmentation Techniques for Improved Blind Violin/Piano Source Separation
National Cheng Kung University(国立成功大学);Academia Sinica(中央研究院);Taiwan AI Labs(台湾人工智能实验室)
盲音乐源分离一直是音乐信息检索和信号处理领域的热门研究课题。为了解决缺乏可用的多音轨数据进行监督模型训练的问题,一种通过组合来自不同歌曲的音轨来创建人工混合的数据增强方法在最近的工作中已经被证明是有用的。根据这一点,我们在本文中进一步研究扩展的数据增强方法,考虑更复杂的混合设置在现代音乐制作程序,轨道之间的关系相结合,和沉默的因素。作为一个案例研究,我们认为分离的小提琴和钢琴曲目的小提琴钢琴合奏,评估性能方面的共同指标,即SDR,SIR和SAR。除了检查这些新的数据增强方法的有效性外,我们还研究了训练数据量的影响。我们的评估表明,提出的混合特定数据增强方法可以帮助提高基于深度学习的源分离模型的性能,特别是在训练数据较小的情况下。
2020-08-06 cs.LG cs.SD eess.AS
Robust Sparse Blind Source Separation
CEA(法国原子能和替代能源委员会);IRFU(法国原子能委员会天体物理、粒子物理和核物理研究所)
盲源分离是一种广泛应用于多通道数据分析的技术。在许多实际应用中,其结果可能会受到未知离群值的严重影响。本文提出了一种新的鲁棒广义形态分量分析算法rGMCA(robust Generalized Morphological Component Analysis),用于在存在离群点的情况下提取稀疏源。它显式地估计源、混合矩阵和离群值。它还利用离群值的估计来进一步实现加权方案,这提供了高度鲁棒的分离过程。数值实验表明,与标准BSS技术相比,rGMCA估计混合矩阵的效率。
2016-04-25 cs.LG stat.AP stat.ML
Heuristics for Efficient Sparse Blind Source Separation
CEA Saclay(法国原子能委员会萨克雷中心);University of Edinburgh(爱丁堡大学)
稀疏盲声源分离(sparse BSS)是从医学成像到天体物理等领域多通道数据分析的关键方法。然而,由于它依赖于寻求一个非凸惩罚矩阵分解问题的解决方案,其性能在很大程度上取决于优化策略。在这种情况下,近端交替线性化最小化(PALM)已成为一个标准的算法,尽管其理论基础,通常提供差的实际分离结果。在这项工作中,我们提出了一种新的策略,结合了启发式方法与PALM。我们显示其现实的天体物理数据的相关性。
2018-12-17 astro-ph.IM cs.LG eess.SP
On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction
Vienna University of Technology(维也纳技术大学);University of International Business and Economics(对外经济贸易大学)
本文研究空间盲源分离作为空间预测预处理工具的效果,通过模拟实验和地球化学数据集,将其与协同克里金法、神经网络的多变量空间预测性能进行对比。
2020-07-01 cs.LG 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
Blind Source Separation in Polyphonic Music Recordings Using Deep Neural Networks Trained via Policy Gradients
Center for Industrial Mathematics, University of Bremen(不来梅大学工业数学中心);Mathematics Department, Colorado State University(科罗拉多州立大学数学系)
提出了一种对音频信号中乐器声音进行盲分离的方法。我们通过一个参数模型来描述各个音调,训练一个字典来捕获谐波的相对幅度。模型参数通过U-Net进行预测,U-Net是一种深度神经网络。基于模型预测与短时傅里叶变换的各个时间帧之间的差异,在没有地面实况信息的情况下训练网络。由于一些模型参数不产生有用的反向传播梯度,我们随机建模,并采用策略梯度。为了提供相位信息并解释基于词典的表示中的不准确性,我们还让网络输出直接预测,然后我们使用它来重新合成各个乐器的音频信号。由于神经网络的灵活性,非谐波可以无缝地合并,不需要对输入光谱进行预处理。我们的算法产生高质量的分离结果,特别是低干扰的各种不同的音频样本,无论是声学和合成,提供的样本包含足够的数据的训练和乐器的频谱特性是足够稳定的字典近似。
2021-08-09 cs.LG cs.SD eess.AS
Neural Fast Full-Rank Spatial Covariance Analysis for Blind Source Separation
National Institute of Advanced Industrial Science and Technology(产业技术综合研究所);RIKEN(理化学研究所);Tokyo Metropolitan University(东京都立大学);Kyoto University(京都大学)
本文提出神经FastFCA,一种基于全秩但联合可对角化空间模型的高效无监督盲源分离方法,通过交替神经网络与迭代源转向实现快速分离,性能优于传统方法且计算时间大幅降低。
2023-06-17 cs.LG cs.SD eess.AS
Biologically-Plausible Determinant Maximization Neural Networks for Blind Separation of Correlated Sources
Koc University(科奇大学);Harvard University(哈佛大学)
提取复杂刺激的潜在来源对于理解世界至关重要。虽然大脑不断解决这个盲源分离(BSS)问题,但其算法仍然未知。以前的工作生物合理的BSS算法假设,观察到的信号是线性混合的统计独立或不相关的来源,限制了这些算法的适用范围。为了克服这一限制,我们提出了新的生物合理的神经网络的盲分离潜在的依赖/相关的来源。不同于以前的工作,我们假设一些一般的几何,而不是统计,允许分离潜在的依赖/相关源的源向量上的条件。具体地说,我们假设源向量在它们的域中是充分分散的,这些域可以由某些多面体描述。然后,我们考虑恢复这些来源的Det-Max标准,最大限度地提高了行列式的输出相关矩阵,以执行类似的传播源估计。从这个规范性的原则,并使用加权相似性匹配的方法,使任意线性变换适应本地学习规则,我们推导出两层生物合理的神经网络算法,可以分离的混合物成来自各种源域的源。我们证明,我们的算法优于其他生物合理的BSS算法相关的源分离问题。
2022-11-25 cs.LG eess.SP
Effective Blind Source Separation Based on the Adam Algorithm
Department of Information Engineering, Electronics and Telecommunications (DIET)(信息工程、电子与电信系)
本文提出基于Adam算法改进的InfoMax方法,用于有效解决盲源分离问题,并通过实验验证其有效性。
2016-09-26 cs.LG
Blind Source Separation for NMR Spectra with Negative Intensity
University of California, Irvine(加州大学欧文分校);Sandia National Laboratories(桑迪亚国家实验室)
NMR光谱数据集,特别是在样品有限的系统中,如果包含多种化学成分(相、多晶型物、分子、晶体、玻璃等),则很难解释。以及重叠共振的可能性。在本文中,我们基准几个盲源分离技术分析的NMR光谱数据包含负强度。出于基准测试的目的,我们生成了一个大的合成四极固态NMR类光谱的合成基,模型自旋晶格T1弛豫或章动尖端/翻转角实验。我们的基准测试方法完全集中在盲源分离技术的能力,以重现光谱的基础纯成分。总的来说,我们发现FastICA(快速独立分量分析),SIMPLISMA(SIMPLE使用交互式自建模混合分析)和NNMF(非负矩阵分解)是性能最好的技术。我们证明,数据集归一化方法之前,盲源分离并没有显着改善的结果。在研究的噪音水平范围内,我们没有发现技术排名的剧烈变化。FastICA和SIMPLISMA的准确性迅速下降,如果多余的(不真实的)纯成分的预测。我们的研究结果表明SVD(奇异值分解)方法的性能不佳,我们提出了矩阵初始化的替代技术。基准技术也适用于真正的固态NMR数据集。总体而言,来自合成数据集的建议与来自真实数据分析的建议和结果一致。讨论提供了一些额外的建议,光谱学家应用盲源分离的NMR数据集,并为未来的基准研究。
2020-02-07 cs.LG eess.SP physics.chem-ph
Blind Source Separation for Mixture of Sinusoids with Near-Linear Computational Complexity
我们提出了一个多音分解算法,可以找到的频率,幅度和相位的基本正弦信号在一个嘈杂的观察序列。在独立同分布的高斯噪声下,我们的方法利用最大似然方法从受污染的观测中估计相关的音调参数。在估计$M$数目的正弦源时,我们的算法连续地估计它们的频率,并联合优化它们的幅度和相位。我们的方法也可以实现为一个盲源分离器的信息的情况下,有关$M$。我们的算法的计算复杂度是近似线性的,即,$\tilde{O}(N)$。
2022-03-27 cs.LG eess.AS eess.SP
Semi-Blind Source Separation with Learned Constraints
IRFU, CEA(法国原子能与替代能源委员会 红外与天体物理研究所);Universite Paris-Saclay(巴黎萨克雷大学)
盲源分离(BSS)算法是一种无监督的方法,它是高光谱数据分析的基石,允许物理上有意义的数据分解。BSS问题是不适定的,解决方案需要有效的正则化方案,以更好地区分源和产生可解释的解决方案。为此,我们研究了一种半监督源分离方法,在该方法中,我们将投影交替最小二乘算法与基于学习的正则化方案相结合。在这篇文章中,我们专注于通过使用生成模型来约束混合矩阵属于学习流形。总之,我们表明,这允许一个创新的BSS算法,提高了准确性,提供物理上可解释的解决方案。所提出的方法,创造sGMCA,测试现实的高光谱天体物理数据在具有挑战性的情况下,涉及强噪声,高度相关的光谱和不平衡的来源。结果突出了在减少源之间的泄漏之前所学到的显著益处,这允许总体上更好地解缠。
2022-09-27 cs.LG eess.SP
Blind stain separation using model-aware generative learning and its applications on fluorescence microscopy images
University of Alberta(阿尔伯塔大学)
在生物医学图像分析中,通常使用多种染色剂来突出生物物质。为了分解多个染色剂用于共定位量化,通常执行盲源分离。现有的基于模型的染色剂分离方法通常依赖于染色剂在图像上的空间分布,并且可能无法解决共定位问题。利用机器学习的优势,深度生成模型被用于此目的。由于成像模型的先验知识在纯数据驱动的解决方案中被忽略,因此这些方法可能是次优的。在这项研究中,一个新的学习为基础的盲源分离框架,提出了生物医学成像的物理模型,纳入正规化的学习过程。引入的模型相关的对抗性损失耦合框架中的所有生成器,并限制了生成模型的容量。此外,该框架的训练算法是创新的,以避免在学习过程中的发电机之间的混乱。本文特别以荧光显微图像中的荧光解混为应用实例。公共荧光显微镜图像集上的定性和定量实验表明,该方法优于先前的基于模型的方法和基于学习的方法。
2021-02-12 cs.CV cs.LG eess.IV
Unrolling PALM for sparse semi-blind source separation
Télécom Paris, Institut Polytechnique de Paris(巴黎理工学院电信巴黎);CEA Saclay(法国原子能和替代能源委员会萨克莱研究中心)
稀疏盲源分离(BSS)已成为一个成熟的工具,用于广泛的应用-例如,在天体物理学和遥感。经典的稀疏BSS方法,如近端交替线性化最小化(PALM)算法,然而,经常遭受困难的超参数选择,这破坏了他们的结果。为了绕过这个陷阱,我们建议在这项工作中建立在蓬勃发展的算法展开/展开领域。展开PALM能够通过学习PALM超参数和变量来利用来自现实模拟或地面实况数据的数据驱动知识。与大多数现有的展开算法不同,这些算法在训练和测试阶段假设一个固定的已知字典,本文进一步强调了处理可变混合矩阵(也称为混合矩阵)的能力。字典)。因此,所提出的学习PALM(LPALM)算法能够执行半盲源分离,这是提高学习模型在现实世界应用中的泛化能力的关键。我们说明了LPALM在天体物理多光谱成像中的相关性:该算法不仅需要比PALM少$10^4-10^5$倍的迭代次数,而且提高了分离质量,同时避免了PALM繁琐的超参数和初始化选择。我们进一步表明,LPALM优于其他展开的源分离方法在半盲设置。
2022-03-07 astro-ph.IM cs.LG eess.IV
Identifiable Autoregressive Variational Autoencoders for Nonlinear and Nonstationary Spatio-Temporal Blind Source Separation
Department of Mathematics and Statistics, University of Jyvaskyla, Finland(数学与统计学系,于韦斯屈埃理工大学,芬兰);Department of Mathematics and Statistics, University of Helsinki, Finland(数学与统计学系,赫尔辛基大学,芬兰)
本文提出可识别的自回归变分自编码器,用于非线性和非平稳时空盲源分离,通过模拟研究验证其有效性。
2025-09-15 cs.LG stat.ME stat.ML
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。
2009-04-03 cs.AI cs.LG
StrADiff: A Structured Source-Wise Adaptive Diffusion Framework for Linear and Nonlinear Blind Source Separation
PolyU
StrADiff通过结构化源级自适应扩散框架实现无监督盲源分离,无需监督标签或后处理,联合优化源生成、结构正则化和观测空间重构,展示在线性和非线性混合中的稳定性能。
2026-04-28 cs.LG cs.SD stat.ML
Unsupervised training of a deep clustering model for multichannel blind source separation
Paderborn University(帕德博恩大学)
我们提出了一种训练方案,当并行干净数据不可用时,从头开始训练基于神经网络的声源分离算法。特别是,我们证明了无监督的空间聚类算法足以指导深度聚类系统的训练。我们认为,以前的工作需要强有力的监督,并详细说明为什么这是一个限制。我们证明了(a)根据所提出的方案单独训练的单通道深度聚类系统能够在单词出错率方面实现与多通道教师类似的性能,以及(b)使用深度聚类结果初始化空间聚类方法,与无监督教师相比,相对单词出错率降低了26%。
2019-04-02 cs.LG eess.SP stat.ML
Successive Nonnegative Projection Algorithm for Robust Nonnegative Blind Source Separation
本文提出一种快速且鲁棒的递归算法,用于近可分离的非负矩阵分解问题。该算法称为递进非负投影算法(SNPA),利用非负约束提升鲁棒性,适用于更广泛的非负矩阵。
2014-04-07 cs.LG cs.NA math.NA
Sparse Pursuit and Dictionary Learning for Blind Source Separation in Polyphonic Music Recordings
University of Bremen(不来梅大学);Colorado State University(科罗拉多州立大学)
提出了一种单声道音频信号盲分离算法。它基于一个参数模型,该模型描述了独立于音高的乐器声音的频谱特性。我们开发了一种新的稀疏追踪算法,可以匹配的离散频谱从记录的信号与连续的频谱提供的模型。我们首先使用该算法将来自记录的STFT谱图转换成一种新形式的对数频率谱图,其分辨率超过了梅尔谱图。然后,我们利用该表示的音高不变特性,以便通过相同的稀疏追踪方法来识别乐器的声音。由于表征乐器的模型参数事先不知道,我们训练包含它们的字典,使用修改后的亚当版本。将该算法应用于各种音频样本,我们发现,它能够产生高质量的分离结果时,模型假设得到满足,仪器是明确区分,但具有相似的频谱特性的仪器的组合构成了一个概念上的困难。虽然该模型的一个关键特征是它显式地对不和谐性进行建模,但它的存在仍然会阻碍稀疏追踪算法的性能。在一般情况下,由于其音高不变性,我们的方法是特别适合于处理从声学仪器的频谱,只需要一个最小数量的超参数被预设。此外,我们证明了为一个记录构建的字典可以应用于具有类似仪器的不同记录,而无需额外的训练。
2021-02-01 cs.LG cs.SD eess.AS
Sparsity and adaptivity for the blind separation of partially correlated sources
CEA(法国原子能和替代能源委员会)
盲源分离(BSS)是一种非常流行的多通道数据分析技术。在这种情况下,数据被建模为要检索的源的线性组合。为此,标准的BSS方法都依赖于一些判别原则,无论是统计独立性还是形态多样性,以区分源。然而,处理真实世界的数据表明,这种假设在实践中很少有效:感兴趣的信号更可能是部分相关的,这通常会阻碍标准BSS方法的性能。在这篇文章中,我们介绍了一种新的稀疏强制BSS方法创造自适应形态成分分析(AMCA),这是旨在检索稀疏和部分相关的源。更确切地说,它利用自适应重新加权方案来基于样本的相关性水平来支持/惩罚样本。大量的数值实验表明,所提出的方法是强大的部分相关源,而标准的BSS技术失败。AMCA算法在天体物理学领域进行评估,用于从微波数据中分离物理成分。
2014-12-09 cs.LG stat.AP stat.ML
AR-Flow VAE: A Structured Autoregressive Flow Prior Variational Autoencoder for Unsupervised Blind Source Separation
Hong Kong Polytechnic University(香港理工大学);Wuhan University of Technology(武汉理工大学);The University of Hong Kong(香港大学)
本文提出AR-Flow VAE,通过自回归流先验提升潜变量建模灵活性,有效捕捉复杂非高斯行为和结构依赖,验证了其在盲源分离中的有效性。
2026-03-18 cs.LG stat.ML
Self-Supervised Autoencoder Network for Robust Heart Rate Extraction from Noisy Photoplethysmogram: Applying Blind Source Separation to Biosignal Analysis
Mellowing Factory Co. Ltd.(梅洛灵工厂有限公司);Chungnam National University Hospital(全南国立大学医院);Department of Radiology, Seoul National University College of Medicine(首尔国立大学医学院放射科)
本文提出了一种自监督多编码器自动编码器,用于从噪声PPG信号中提取心跳相关信号,提升心率检测性能。
2025-08-11 cs.LG eess.SP
Implementation of fast ICA using memristor crossbar arrays for blind image source separations
Birla Institute of Technology and Science (BITS) Pilani(比尔拉科学技术学院(BITS)皮拉尼分校)
独立分量分析是一种无监督学习方法,用于从多变量信号或数据矩阵中计算独立分量。基于权重矩阵与多变量数据矩阵的相乘来评估IC。本研究提出一种新颖的忆阻器交叉阵列,以实现ACY ICA和Fast ICA的盲声源分离。数据输入以脉宽调制电压的形式施加到交叉阵列,并且所实现的神经网络的权重存储在忆阻器中。来自忆阻器列的输出电荷用于计算权重更新,其通过保持高于忆阻器设置/重置电压的电压来执行。为了展示其潜在的应用,提出的忆阻器交叉阵列的快速ICA架构用于图像声源分离问题。实验结果表明,该方法能有效地分离图像源,与传统的ACY ICA算法和Fast ICA算法相比,图像的对比度得到了提高,结构相似度提高了67.27%.
2022-08-07 cs.ET cs.LG
A Hypothesis Testing Approach to Nonstationary Source Separation
Emory University School of Medicine(埃默里大学医学院);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
从盲和半盲多元观测中提取非平稳信号是一个经常出现的问题。许多算法已经开发了这个问题,这是基于精确或近似的联合对角化的二阶或高阶累积量矩阵/张量的多通道数据。虽然大量的研究一直致力于联合对角化算法,对角化矩阵/张量集的选择仍然是高度特定的问题。本文综述了非平稳信号识别的各种方法,提出了一种基于假设检验的新的通用框架,从分类/聚类的角度研究了非平稳信号的半盲源分离。将该方法应用于胎儿心电的无创提取。
2021-06-28 cs.LG eess.SP
Blind Audio Source Separation with Minimum-Volume Beta-Divergence NMF
Université de Mons(蒙斯大学)
考虑到混合信号组成的各种音频源和记录与一个单一的麦克风,我们认为在本文中的盲音频源分离问题,其中包括在隔离和提取每个源。为了执行此任务,基于Kullback-Leibler和Itakura-Saito $β$ -发散的非负矩阵分解(NMF)是使用信号的时频表示的标准和最先进的技术。我们提出了一个新的NMF模型更适合这项任务。它是基于最小化的$β$ -发散以及一个惩罚项,促进列的字典矩阵有一个小的体积。在一些温和的假设和无噪声条件下,我们证明了该模型是可证明的能够识别的来源。为了解决这个问题,我们提出了乘法更新,其推导是基于标准的优化最小化框架。我们的几个数值实验表明,我们的新模型是能够获得更多的解释比标准NMF模型的结果。此外,我们表明,它是能够恢复的源,即使当源的数量存在于混合信号被高估。事实上,我们的模型在这种情况下会自动将源设置为零,从而自动执行模型顺序选择。
2020-04-28 cs.LG cs.SD eess.AS
ArrayDPS: Unsupervised Blind Speech Separation with a Diffusion Prior
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Columbia University(哥伦比亚大学);Southern University of Science and Technology(南方科技大学)
针对麦克风阵列盲语音分离中阵列结构、RIR和源信号均未知的难题,提出基于扩散后验采样的无监督生成式方法ArrayDPS,通过优化近似似然与房间声学特性,仅需单说话人扩散先验即可实现优于现有无监督方法、媲美有监督方法的分离性能。
2025-06-17 cs.LG cs.MM cs.SD
Blind Signal Separation in the Presence of Gaussian Noise
Ohio State University(俄亥俄州立大学)
一个典型的盲信号分离问题是所谓的鸡尾酒会问题,在一个房间里有n个人同时说话,有n个不同的麦克风。目标是从麦克风输入中恢复每个语音信号。在数学上,这可以通过假设我们被给予来自n维随机变量X=AS的样本来建模,其中S是其坐标是对应于每个扬声器的独立随机变量的向量。目标是从X中恢复给定随机样本的矩阵A^{-1}。在信号处理和机器学习文献中,已经提出了一系列统称为独立分量分析(ICA)的技术来解决这个问题。这些技术中的许多技术是基于使用峰度或其他累积量来恢复分量。本文提出了一种新的算法来解决加性高斯噪声存在下的盲信号分离问题,当给定样本为X=AS+η时,其中η是从未知的,不一定是球形的n维高斯分布中提取的。我们的方法是基于一种方法去相关的加性高斯噪声的假设下,基本的分布是一个独立的组件分布的线性变换的样本。我们的去相关例程是基于累积量张量的属性,可以与任何标准的基于累积量的ICA方法相结合,得到一个算法,该算法在高斯噪声的存在下是可证明的鲁棒性。我们推导出我们的方法的样本复杂性和错误传播的多项式界。
2013-06-09 cs.DS cs.LG stat.ML
VM-ARRAYDPS: Virtual Microphone Augmented Diffusion Posterior Sampling for Unsupervised Blind Speech Separation
Southern University of Science and Technology(南方科技大学)
针对麦克风数量限制ArrayDPS性能的问题,提出VM-ArrayDPS,通过添加高信噪比虚拟麦克风提供额外多通道一致性约束,显著提升2/3说话人盲语音分离性能。
2026-10-08 cs.LG cs.MM cs.SD
Blind Separation of Vibration Sources using Deep Learning and Deconvolution
RSL Electronics LTD(RSL电子有限公司)
针对齿轮振动掩盖低能量轴承故障信号的问题,提出结合 dilated CNN、残差平方对数包络与 WBD 的两阶段盲分离方法,可在无设备先验信息时早期检测局部及分布式轴承故障。
2024-05-21 cs.AI cs.LG eess.AS
Practical Blind Membership Inference Attack via Differential Comparisons
The Johns Hopkins University(约翰斯·霍普金斯大学);The Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Duke University(杜克大学)
成员推断(MI)攻击通过推断给定数据样本是否已被用于训练目标学习模型来影响用户隐私,深度神经网络。文献中有两种类型的MI攻击,即,这些有和没有阴影模型。前者的成功很大程度上取决于阴影模型的质量,即,影子和目标之间的可转移性;后者,只给出黑盒探测访问目标模型,不能作出有效的未知数的推断,与使用影子模型的MI攻击相比,由于标记有地面真实成员信息的合格样本的数量不足。在本文中,我们提出了一个MI攻击,称为BlindMI,探测目标模型,并通过一种新的方法,称为差分比较提取成员语义。其高级思想是BlindMI首先通过将现有样本转换为新样本来生成具有非成员的数据集,然后以迭代方式将样本从目标数据集差异地移动到生成的非成员集。如果样本的差分移动增加了设置距离,则BlindMI将该样本视为非成员,反之亦然。通过将其与最先进的MI攻击算法进行比较来评估BlindMI。我们的评估表明,在对手不知道目标模型的架构和目标数据集的地面真实标签的盲设置中,与某些数据集(如Purchase-50和Birds-200)的最新技术相比,BlindMI将F1分数提高了近20%。我们还表明,BlindMI可以击败最先进的防御。
2021-01-07 cs.CR cs.LG
Sparse component separation from Poisson measurements
IRFU, CEA(法国原子能和替代能源委员会红外与射电天文学研究所)
盲源分离(BSS)的目的是从混合信号中恢复信号。这个问题已被广泛研究的情况下,混合物被污染的加性高斯噪声。然而,它不太适合描述被泊松测量破坏的数据,例如在低光子计数光学或高能天文成像(例如钱德拉或费米望远镜的观测)。为此,我们提出了一种新的BSS算法创造pGMCA,专门处理从泊松测量稀疏源的盲分离。
2018-12-11 cs.LG physics.data-an stat.ML
On the achievability of blind source separation for high-dimensional nonlinear source mixtures
RIKEN Center for Brain Science(理化学研究所脑科学中心);The University of Tokyo(东京大学)
多年来,主成分分析(PCA)和独立成分分析(ICA)的组合被用于盲源分离(BSS)。然而,目前还不清楚为什么这些线性方法与涉及非线性源混合的真实世界数据很好地工作。这项工作从理论上验证了线性PCA和ICA的级联可以准确地解决非线性BSS问题-当传感器输入通过具有足够维度的非线性映射从隐藏源生成时。我们提出的定理,称为渐近线性化定理,理论上保证了应用线性PCA的输入可以可靠地提取一个子空间跨越的线性投影从每个隐藏的源作为主要成分-从而投影到其主要特征空间的输入可以有效地恢复隐藏的源的线性变换。然后,随后应用线性ICA可以分离出所有真正独立的隐藏源准确。当信源维数很大且输入维数充分大于信源维数时,零元误差非线性盲源分离是渐近实现的。我们提出的定理是验证解析和数值。此外,同样的计算可以通过使用Hebbian类可塑性规则来执行,这意味着这种非线性BSS策略的生物相容性。我们的研究结果突出了线性PCA和ICA在准确可靠地恢复非线性混合源方面的实用性,并进一步表明了采用具有足够维度的传感器来识别真实世界数据的真正隐藏源的重要性。
2020-12-13 cs.LG stat.ML
Blind Source Separation of Single-Channel Mixtures via Multi-Encoder Autoencoders
Mellowing Factory Co. Ltd.(梅洛灵工厂有限公司)
提出多编码器自编码器及编码掩码、稀疏混合与零重建损失,实现单通道非线性混合信号的盲源分离,并在玩具数据和睡眠生物信号上验证。
2025-07-23 cs.LG eess.SP
SAHMM-VAE: A Source-Wise Adaptive Hidden Markov Prior Variational Autoencoder for Unsupervised Blind Source Separation
本文提出SAHMM-VAE,通过为每个潜在维度分配自适应的隐马尔可夫先验,实现无监督盲源分离的端到端学习,学习源特定的时间结构。
2026-03-26 cs.LG stat.ML
Provably robust blind source separation of linear-quadratic near-separable mixtures
Télécom Paris, Institut Polytechnique de Paris(巴黎电信学院,巴黎综合理工学院);University of Mons(蒙斯大学);University of Toulouse, IRIT/INP-ENSEEIHT(图卢兹大学,IRIT/INP-ENSEEIHT)
在这项工作中,我们考虑的问题,盲源分离(BSS)离开通常的线性模型,并专注于线性二次(LQ)模型。我们提出了两种可证明鲁棒且计算上易于处理的算法来在可分离性假设下解决这个问题,这些假设要求源作为样本出现在数据集中。第一种算法推广了为线性盲源分离设计的连续非负投影算法(SNPA),称为SNPALQ。通过显式建模的产品项固有的LQ模型沿着SNPA计划的迭代,混合的非线性贡献被减轻,从而提高分离质量。SNPALQ被证明是能够恢复地面真实的因素,产生的数据,即使在存在噪声。第二个算法是一个蛮力(BF)算法,它被用作SNPALQ的后处理步骤。它能够丢弃由SNPALQ提取的假(混合)样本,从而扩大其适用性。反过来,BF被证明是强大的噪声下,比SNPALQ检查和温和的条件下。我们表明,SNPALQ与BF后处理和没有在现实的数值实验是相关的。
2020-11-24 cs.LG cs.NA eess.IV
EEG-Based Emergency Braking Intensity Prediction Using Blind Source Separation
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院)
本文提出利用盲源分离方法对EEG信号进行分解,结合时频分析和皮尔逊相关性筛选与制动相关的成分,并通过层次聚类分组,以预测紧急制动强度,实验表明方法在O.D.和H.S.数据集上均优于现有方法。
2026-04-20 cs.HC cs.LG