TpopT：低维流形上高效的可训练模板优化
机器学习
2023-10-17 v1 信号处理
摘要
在科学和工程场景中，一项反复出现的任务是检测低维的信号或模式族。以模板匹配为代表的一类经典方法旨在通过密集的模板库覆盖搜索空间。尽管简单且高度可解释，但由于在信号空间维度上不利的缩放特性，其计算效率低下。在这项工作中，我们研究 TpopT（TemPlate OPTimization，模板优化）作为一种可扩展的替代框架，用于检测低维信号族，同时保持高可解释性。我们提供了 TpopT 的黎曼梯度下降收敛性的理论分析，并证明其维度缩放优于覆盖方法。我们还提出了一种针对非参数信号集的实用 TpopT 框架，它结合了嵌入和核插值技术，并可通过展开优化进一步配置为可训练的网络架构。所提出的可训练 TpopT 在引力波检测中展现出显著改善的效率-精度权衡，而匹配滤波目前是该任务的首选方法。我们进一步通过在手写数字数据上的实验说明了该方法的普遍适用性。
引用
@article{arxiv.2310.10039,
title = {TpopT: Efficient Trainable Template Optimization on Low-Dimensional Manifolds},
author = {Jingkai Yan and Shiyu Wang and Xinyu Rain Wei and Jimmy Wang and Zsuzsanna Márka and Szabolcs Márka and John Wright},
journal= {arXiv preprint arXiv:2310.10039},
year = {2023}
}