StrADiff：線形・非線形ブラインドソース分離のための、ソースごとに適応する構造化拡散フレームワーク

Abstract

本論文は、線形および非線形のブラインド信号分離のための、構造化されたソースごとの適応的拡散フレームワークを提示する。このフレームワークは、各潜在次元を信号成分として解釈し、それに対して個別の適応的拡散メカニズムを割り当てることで、単一の共有された潜在事前分布に依存するのではなく、信号ごとの潜在モデリングを確立する。得られる定式化は、統一されたエンドツーエンドの目的関数のもとで、信号復元と混合／再構成プロセスを同時に学習し、学習中にモデルパラメータと潜在信号が同時に適応できるようにする。これにより、線形および非線形のブラインド信号分離の双方に共通のフレームワークを提供する。本実装では、各信号はさらに、潜在軌跡に対して信号ごとの時間構造を課すために、それぞれ固有の適応的ガウス過程（GP）の事前分布を備える。一方で、全体のフレームワークはガウス過程の事前分布に限定されず、原理的には他の構造化された信号事前分布にも対応可能である。提案モデルは、教師なしの信号復元に対する一般的な構造化拡散ベースの経路を与えるものであり、ブラインド信号分離の枠を超えて、解釈可能な潜在モデリング、信号ごとの disentanglement、ならびに適切な構造条件のもとでの同定可能な非線形潜在変数学習への潜在的な関連が期待される。