Multiscale blind source separation
多尺度盲源分离AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及信号分离与基因数据中的变点，缺少宏观结构变化或经济因子模型方面的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多尺度盲源分离
- 研究问题
- 仅观察分段常数信号的一条线性混合序列，且混合权重与变点未知时，如何恢复各来源并量化估计不确定性？
- 方法与思路
- 作者利用来源取值属于已知有限字母表的限制构造多尺度 SLAM 估计量，并以专门的动态规划求解非凸优化。
- 材料陈述的贡献
- 摘要称给出邻域内精确恢复结果，并在高斯误差下获得一致置信集合与相差对数因子的最优速率，另有模拟和基因应用。
- 阅读关注点
- 应核对有限字母表下的可识别条件、邻域与精确恢复的定义、置信集合覆盖范围，以及动态规划的计算复杂度。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；完整恢复条件与最优性比较范围未提供，不能将结论推广至任意连续来源或误差分布。
原文摘要
We provide a new methodology for statistical recovery of single linear mixtures of piecewise constant signals (sources) with unknown mixing weights and change points in a multiscale fashion. We show exact recovery within an $\varepsilon$-neighborhood of the mixture when the sources take only values in a known finite alphabet. Based on this we provide the SLAM (Separates Linear Alphabet Mixtures) estimators for the mixing weights and sources. For Gaussian error, we obtain uniform confidence sets and optimal rates (up to log-factors) for all quantities. SLAM is efficiently computed as a nonconvex optimization problem by a dynamic program tailored to the finite alphabet assumption. Its performance is investigated in a simulation study. Finally, it is applied to assign copy-number aberrations from genetic sequencing data to different clones and to estimate their proportions.