StrEBM：ブラインド・ソース分離のための構造化潜在エネルギーベースモデル

要旨: 本論文は、ソース単位の構造化表現学習のための、構造化潜在エネルギーベースモデルであるStrEBMを提案する。提案枠組みは、単一の共有エネルギーで全潜在表現を制約するのではなく、異なる潜在次元にそれぞれ独自の学習可能な構造バイアスを与えることで、識別可能で分離された潜在の組織化を促進するというより広い目標に動機づけられている。この意味で、ここではブラインドソースセパレーションを具体的かつ検証可能なテストベッドとして採用し、それにより、異なる基底コンポーネントへと潜在次元がどのように進化していくかを直接調べる。提案枠組みにおいては、潜在軌道を、観測生成写像およびソース単位の構造パラメータと直接同時に最適化する。各潜在次元はそれ自身のエネルギーベースの定式化に対応しており、学習中に異なる潜在成分が次第に異なるソースのような役割へと進化できるようになっている。本研究では、このソース単位のエネルギーデザインを、学習可能な長さスケールを備えたガウス過程に触発されたエネルギーで具体化するが、枠組み自体はガウス過程に限定されず、より一般的な構造化潜在EBM（エネルギーベースモデル）の定式化を意図している。線形および非線形の混合設定における合成マルチチャンネル信号に対する実験により、提案モデルがソース成分を効果的に回復できることが示され、枠組みの初期的な経験的検証が得られた。同時に、本研究は、後半段階での収束が遅いことや、非線形な観測写像下で安定性が低下することを含む重要な最適化特性を明らかにする。これらの知見は、現在のGPベースの具体化における実際の振る舞いを明確にするだけでなく、より豊かなソース単位のエネルギー族や、より頑健な非線形最適化戦略に関する今後の研究の基盤を確立する。