Статистические данные > Машинное обучение [представлено 29 ноября 2025 года (v1), последний пересмотренный вариант от 8 октября 2026 года (настоящая версия, v2)) Название: Самодостаточный независимый анализ компонентов для демиксации потока HTML-вида PDF (экспериментальный) резюме: Мы изучаем проблему изучения разрозненных сигналов из данных с использованием нелинейного независимого анализа компонентов (МКА). С учетом оставшихся значений рекуперированного сигнала наблюдение за другими сигналами не должно изменять условного распределения его отсутствующего значения. Мы формулируем эту проблему как сведение к минимуму обусловленного расхождения KL. Наш алгоритм не имеет предварительного и вероятностного значения в том смысле, что он не предписывает ни параметрической плотности источников, ни вероятности наблюдений. Для решения проблемы сведения к минимуму расхождений в KL мы предлагаем последовательный алгоритм, который узнает модель демиксации потока на каждой итерации и докажет местное происхождение общей корреляции для своего идеализированного варианта Вассерштейна-градиента с точной скоростью и условиями демографической проекции. Такой подход полностью избегает нестабильной состязательной подготовки, что является общей проблемой в деле сведения к минимуму расхождений между КЛ. Эксперименты по игрушкам и реальным наборам данных показывают эффективность нашего метода. История представления: Song Lu Dr. [видение электронной почты] [v1] Sat, 29 ноября 2025 года 23:10:16 UTC (1…
Самодостаточный независимый анализ компонентов для демиксации потоков
arXiv: 251202.0665v2 Аннонс Тип: заменить резюме: мы изучаем проблему изучения разрозненных сигналов из данных с использованием нелинейного независимого анализа компонентов (МКА). С учетом оставшихся значений рекуперированного сигнала наблюдение за другими сигналами не должно изменять условного распределения его отсутствующего значения. Мы формулируем эту проблему как сведение к минимуму обусловленного расхождения KL. Наш алгоритм не имеет предварительного и вероятностного значения в том смысле, что он не предписывает ни параметрической плотности источников, ни вероятности наблюдений. Для решения проблемы сведения к минимуму расхождений в KL мы предлагаем последовательный алгоритм, который узнает модель демиксации потока на каждой итерации и докажет местное происхождение общей корреляции для своего идеализированного варианта Вассерштейна-градиента с точной скоростью и условиями демографической проекции. Такой подход полностью позволяет избежать нестабильной состязательной подготовки