BDN: Blaschke Decomposition Networks
Notice bibliographique
Résumé
We introduce the Blaschke Decomposition Network (BDN), a novel neural network architecture for analyzing continuous real-valued or complex-valued 1-D and 2-D signals-data types that existing architectures, such as transformers or recurrent networks, are not designed to model. These signals are common in medicine, biology, and other scientific domains, yet their analytic structure is often underutilized in machine learning. Our approach is based on the Blaschke decomposition, which "unwinds" a signal into a sequence of factors determined by its roots-the points in the complex unit disk where the analytic continuation of the signal vanishes. By iteratively peeling off these factors, the decomposition isolates oscillatory components of the signal and produces a compact representation. BDNs are trained to predict these roots directly, and we show that they provide powerful and interpretable representations for downstream tasks. We first design the architecture for 1-D signals and then extend it to 2-D using a wedge-based factorization, enabling the same framework to handle images and other spatially varying signals. Experiments on sensor-derived biomedical data, including electrocardiograms and phase holographic microscopy, show that BDNs achieve strong predictive performance while using fewer parameters than transformers, convolutional, or recurrent networks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».