连续时间信号分解：PCA 和 ICA 的隐式神经通用方法
机器学习
2025-07-15 v1 信号处理
机器学习
摘要
我们对低秩分解问题进行一般化，如主成分分析(PCA)和独立成分分析(ICA)，用于连续时间向量信号，并提供一种模型无关的隐式神经信号表示框架，以学习数值近似来解决该问题。通过将信号建模为连续时间随机过程，我们通过网络损失中的对比函数项统一了PCA和ICA问题的在连续设置中的方法，强制学习在分解中对 source 信号的期望统计特性(去相关性、独立性)。将该方法扩展到连续域允许将此类分解应用于点云和不规则采样信号，其中标准技术无法应用。
引用
@article{arxiv.2507.09091,
title = {Continuous-Time Signal Decomposition: An Implicit Neural Generalization of PCA and ICA},
author = {Shayan K. Azmoodeh and Krishna Subramani and Paris Smaragdis},
journal= {arXiv preprint arXiv:2507.09091},
year = {2025}
}
备注
6 pages, 3 figures, 1 table. MLSP 2025