An Implementation of �-Divergence for Blind Source Separation
Notice bibliographique
Résumé
Life sustaining biomedical signal processing demands a guarantee that the results produced are accurate and precise. The separation of sources (e.g., demixing two heart signals, one from a mother, and one from a fetus) based only on observations of those mixtures, known as the blind source separation problem, is seen by researchers and scientists as a necessary preprocessing step in order to obtain uncontaminated data for analysis. A method from the field of intelligent signal processing called independent component analysis (ICA) is a promising solution to this problem. However, ICA algorithms and their implementation must be robust to interference, including outliers. Unfortunately, contamination of biomedical recordings by outliers is an unavoidable aspect in signal processing. Mihoko and Eguchi developed an outlier robust ICA algorithm, but code for this algorithm is unavailable. This paper presents a Matlab implementation of their beta-divergence for blind source separation algorithm. The implementation uses a quasi-Newton Broyden-Fletcher-Goldfarb-Shanno (BFGS) optimization, combined with an Armijo conditioned line-search, to minimize the beta-divergence between the density of the source estimates and the product of its hypothesized marginal densities to separate a mixture of statistically independent sources. The implementation is verified by repeating the source separation simulations published by Mihoko and Eguchi. In each simulation the separation results match visually to those published by Mihoko and Eguchi
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».