MAPress
مقاله نگه داشتن یا پرتاب؟ یک امتیاز ناپارامتریک برای ارزیابی راه حل ها برای ICA پر سر و صدا

مقاله نگه داشتن یا پرتاب؟ یک امتیاز ناپارامتریک برای ارزیابی راه حل ها برای ICA پر سر و صدا

تگ‌ها: Machine Learning Signal Processing Statistics Theory پردازش سیگنال نظریه آمار یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Keep or toss? A nonparametric score to evaluate solutions for noisy ICA
عنوان مقاله به فارسی مقاله نگه دارید یا پرتاب کنید؟نمره غیرپارامتری برای ارزیابی راه حل های ICA پر سر و صدا
نویسندگان Syamantak Kumar, Purnamrita Sarkar, Peter Bickel, Derek Bean
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 37
دسته بندی موضوعات Statistics Theory,Machine Learning,Signal Processing,نظریه آمار , یادگیری ماشین , پردازش سیگنال ,
توضیحات Submitted 16 January, 2024; originally announced January 2024.
توضیحات به فارسی 16 ژانویه 2024 ارسال شد.در ابتدا ژانویه 2024 اعلام شد.

چکیده

In this paper, we propose a non-parametric score to evaluate the quality of the solution to an iterative algorithm for Independent Component Analysis (ICA) with arbitrary Gaussian noise. The novelty of this score stems from the fact that it just assumes a finite second moment of the data and uses the characteristic function to evaluate the quality of the estimated mixing matrix without any knowledge of the parameters of the noise distribution. We also provide a new characteristic function-based contrast function for ICA and propose a fixed point iteration to optimize the corresponding objective function. Finally, we propose a theoretical framework to obtain sufficient conditions for the local and global optima of a family of contrast functions for ICA. This framework uses quasi-orthogonalization inherently, and our results extend the classical analysis of cumulant-based objective functions to noisy ICA. We demonstrate the efficacy of our algorithms via experimental results on simulated datasets.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک نمره غیر پارامتری برای ارزیابی کیفیت راه حل برای یک الگوریتم تکراری برای تجزیه و تحلیل مؤلفه مستقل (ICA) با نویز گاوسی دلخواه پیشنهاد می کنیم.تازگی این نمره از این واقعیت ناشی می شود که فقط یک لحظه دوم محدود از داده ها را فرض می کند و از عملکرد مشخصه برای ارزیابی کیفیت ماتریس مخلوط تخمین زده شده و بدون اطلاع از پارامترهای توزیع نویز استفاده می کند.ما همچنین یک عملکرد کنتراست مبتنی بر عملکرد مشخصه جدید را برای ICA ارائه می دهیم و یک تکرار نقطه ثابت را برای بهینه سازی عملکرد هدف مربوطه پیشنهاد می کنیم.سرانجام ، ما یک چارچوب نظری برای به دست آوردن شرایط کافی برای بهینه سازی محلی و جهانی یک خانواده از عملکردهای کنتراست برای ICA پیشنهاد می کنیم.این چارچوب ذاتاً از شبه ارتقاء استفاده می کند ، و نتایج ما تجزیه و تحلیل کلاسیک توابع هدف مبتنی بر تجمعی را به ICA پر سر و صدا گسترش می دهد.ما اثربخشی الگوریتم های خود را از طریق نتایج تجربی در مجموعه داده های شبیه سازی شده نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.