Weighted-Sum of Gaussian Process Latent Variable Models

要約

この作業は、信号が潜在変数によって異なる場合がある信号分離に対するベイジアンノンパラメトリックアプローチを開発します。
私たちの重要な貢献は、各データポイントがいくつかの入力位置で観察される既知の数の純粋なコンポーネント信号の加重合計を含む場合、ガウスプロセス潜在変数モデル（GPLVM）を強化することです。
私たちのフレームワークにより、信号の任意の非線形変動が可能になり、合計から1つなどの線形重みに有用な事前に組み込むことができます。
当社の貢献は、分光法に特に関連しており、条件の変化により、基礎となる純粋なコンポーネント信号がサンプルごとに異なる場合があります。
分光法と他のドメインの両方への適用性を実証するために、さまざまな温度を持つ近赤外分光法データセット、パイプを介した流れ構成を識別するためのシミュレートされたデータセット、およびその反射から岩のタイプを決定するためのデータセットをいくつかの用途を検討します。

要約(オリジナル)

This work develops a Bayesian non-parametric approach to signal separation where the signals may vary according to latent variables. Our key contribution is to augment Gaussian Process Latent Variable Models (GPLVMs) for the case where each data point comprises the weighted sum of a known number of pure component signals, observed across several input locations. Our framework allows arbitrary non-linear variations in the signals while being able to incorporate useful priors for the linear weights, such as summing-to-one. Our contributions are particularly relevant to spectroscopy, where changing conditions may cause the underlying pure component signals to vary from sample to sample. To demonstrate the applicability to both spectroscopy and other domains, we consider several applications: a near-infrared spectroscopy dataset with varying temperatures, a simulated dataset for identifying flow configuration through a pipe, and a dataset for determining the type of rock from its reflectance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google