[論文レビュー] Blind Source Separation: Fundamentals and Recent Advances (A Tutorial Overview Presented at SBrT-2001)

Eleftherios Kofidis|arXiv (Cornell University)|Mar 9, 2016

Blind Source Separation Techniques参考文献 108被引用数 5

ひとこと要約

このチュートリアル論文は、高次モーメントと情報理論的基準に重点を置いた、盲目的源分離（BSS）手法の統一的概要を提供する。最小相互情報量に基づく普遍的基準を提示し、古典的および最近のアプローチを統合し、複雑で未定義または分散混合系における効率的な源分離のための非線形ヘブシアン学習アルゴリズムを導入する。

ABSTRACT

Blind source separation (BSS), i.e., the decoupling of unknown signals that have been mixed in an unknown way, has been a topic of great interest in the signal processing community for the last decade, covering a wide range of applications in such diverse fields as digital communications, pattern recognition, biomedical engineering, and financial data analysis, among others. This course aims at an introduction to the BSS problem via an exposition of well-known and established as well as some more recent approaches to its solution. A unified way is followed in presenting the various results so as to more easily bring out their similarities/differences and emphasize their relative advantages/disadvantages. Only a representative sample of the existing knowledge on BSS will be included in this course. The interested readers are encouraged to consult the list of bibliographical references for more details on this exciting and always active research topic.

研究の動機と目的

• さまざまな応用分野における盲目的源分離（BSS）の基礎的および最近の進展を理解するための統一的チュートリアルフレームワークを提供すること。
• 2次モーメント統計（SOS）がBSSを解くのに不十分であることを示し、ロバストな分離に高次モーメント統計（HOS）の必要性を確立すること。
• 統計的、情報理論的、ニューラルネットワークベースのBSSアプローチという見かけ上異なる手法を、最小相互情報量という共通基準の下で統合すること。
• 最小相互情報量基準から導出された勾配ベースのアルゴリズムを提示し、非線形ヘブシアン学習ルールとして解釈可能な、実装に適した手法を提供すること。
• 分散混合系、未定義システム、非線形または非定常源といった挑戦的な状況へのBSS理論の拡張

提案手法

• 未知の源と混合行列を用いた線形混合モデルを数学的に定式化し、源の統計的独立性を仮定する。
• 回転の不確かさのため、2次モーメント統計だけでは分離が不十分であり、一意な解を得るには高次モーメント統計（HOS）が必要であると主張する。
• 特に最小相互情報量（MI）を含む情報理論的基準を統一的原則として導入し、統計的解釈のためのカルバック・ライバラー距離と関連付ける。
• 最小MIに基づく普遍的最適化基準を導出し、古典的コントラスト関数を包含する単一のアルゴリズムフレームワークを可能にする。
• 相互情報量を最小化する勾配ベースのアルゴリズムを提案し、可変非線形性を持つ非線形ヘブシアン学習ルールとして解釈する。
• 構造的混合行列を用いた分散混合系や、M < N の未定義システムへの適用を通じて、構造的モデリングによる実現可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 2次モーメント統計のみで、すべての状況において盲目的源分離問題を解けるのか、それとも高次モーメント統計が必要なのか？
• RQ2 最小相互情報量のような情報理論的基準は、異なる統計的原則に基づく多様なBSSアプローチをどのように統一するのか？
• RQ3 BSSの文脈において、最小相互情報量基準と非線形主成分分析（PCA）の関係は何か？
• RQ4 提案されたアルゴリズムフレームワークは、センサ数が源数未満（M < N）である未定義混合系や分散混合系をどのように処理できるのか？
• RQ5 学習ルールにおける非線形性の使用が、BSSアルゴリズムの安定性と収束性に与える影響は何か？

主な発見

• 2次モーメント統計（SOS）は、回転の不確かさと非ガウス的独立源の解消不能性のため、一般にはBSS問題を解くのに不十分である。
• 高次モーメント統計と情報理論的基準、特に最小相互情報量は、SOSに基づく手法の制限を克服するロバストで統一的なBSSフレームワークを提供する。
• 最小相互情報量基準は非線形PCAの定式化と同等であることが示され、BSSを確立された次元削減技術と結びつける。
• 最小MI基準から導出された勾配ベースのアルゴリズムは、非線形ヘブシアン学習ルールとして動作し、非線形性の選択によって柔軟に調整可能である。
• 混合行列に構造的形を課すことにより、分散混合系へのフレームワークの拡張に成功し、未定義状況（M < N）でも分離が可能であることを示した。
• 本論文は、BSSが依然として活発に研究が進む分野であり、アルゴリズムの挙動、実装、および生体医用工学や通信分野における新規応用の分野における未解決課題が残っていることを示した。