Unsupervised Reservoir Computing for Multivariate Denoising of Severely Contaminated Signals

要約

従来の一変量手法では変数間の複雑な相互作用を捉えるのに苦労することが多いため、多変量信号の相互依存性と高次元性はノイズ除去に大きな課題をもたらします。
アプローチを成功させるには、目的の信号の多変量依存性だけでなく、干渉ノイズの多変量依存性も考慮する必要があります。
前回の研究では、機械学習を用いて一変量信号から「予測可能な情報」の最大部分を抽出する手法を紹介しました。
私たちはこのアプローチを多変量信号に拡張し、ノイズの相互依存性を信号の相互依存再構成に適切に組み込むことを重要なアイデアとしています。
この方法は、空間的に相関する強いノイズによって破損するカオス信号や高度に振動する正弦波信号など、さまざまな多変量信号に対して正常に機能します。
幅広いシナリオにわたって、他の既存の多変量ノイズ除去手法よりも常に優れたパフォーマンスを発揮します。

要約(オリジナル)

The interdependence and high dimensionality of multivariate signals present significant challenges for denoising, as conventional univariate methods often struggle to capture the complex interactions between variables. A successful approach must consider not only the multivariate dependencies of the desired signal but also the multivariate dependencies of the interfering noise. In our previous research, we introduced a method using machine learning to extract the maximum portion of “predictable information’ from univariate signal. We extend this approach to multivariate signals, with the key idea being to properly incorporate the interdependencies of the noise back into the interdependent reconstruction of the signal. The method works successfully for various multivariate signals, including chaotic signals and highly oscillating sinusoidal signals which are corrupted by spatially correlated intensive noise. It consistently outperforms other existing multivariate denoising methods across a wide range of scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google