可识别自回归变分自编码器：用于非线性非平稳时空盲源分离
机器学习
2025-12-18 v1 机器学习
统计方法学
摘要
多变量时空数据建模与预测涉及诸多挑战。维数约化方法可显著简化此过程，但必须考虑变量之间以及跨时间和空间的复杂依赖。非线性盲源分离（Nonlinear blind source separation）近年来因可识别性结果的突破而成为有前景的方法。基于这些发展，我们引入可识别自回归变分自编码器，确保潜在组件由非平稳自回归过程构成的可识别性。我们通过仿真研究展示了所提方法的盲源分离效能，方法在多种 SOTA 方法中进行比较；同时在空气污染和天气数据集上评估了时空预测性能。
引用
@article{arxiv.2509.11962,
title = {Identifiable Autoregressive Variational Autoencoders for Nonlinear and Nonstationary Spatio-Temporal Blind Source Separation},
author = {Mika Sipilä and Klaus Nordhausen and Sara Taskinen},
journal= {arXiv preprint arXiv:2509.11962},
year = {2025}
}