A spectral regularisation framework for latent variable models designed for single channel applications
面向单通道应用的潜变量模型谱正则化框架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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确面向单通道时间序列及其预处理和潜变量估计，支持时间序列分类，但未明确采用经济因子模型。
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…
面向单通道应用的潜变量模型谱正则化框架
- 研究问题
- 单通道时间序列经Hankel化预处理后，潜变量模型可能出现重复来源，如何在统一优化框架中引入谱正则化处理这一问题？
- 方法与思路
- 作者提出Python软件包，在潜变量模型参数估计中加入谱正则化项，并允许用符号或显式形式描述目标函数，支持线性模型优化。
- 材料陈述的贡献
- 摘要称，软件包提供一致的单通道线性潜变量优化框架，利用新增谱正则项处理来源重复，并便于研究不同目标函数的实现。
- 阅读关注点
- 应核对来源重复的定义、正则项形式与调参方式，以及抑制重复是否损失有效信号、优化过程是否有收敛或恢复保证。
- 阅读边界
- 这是arXiv预印本，同行评审或接收状态未核实；摘要未提供理论保证、实验比较或软件验证结果，不能据此确认重复问题普遍解决。
原文摘要
Latent variable models (LVMs) are commonly used to capture the underlying dependencies, patterns, and hidden structure in observed data. Source duplication is a by-product of the data hankelisation pre-processing step common to single channel LVM applications, which hinders practical LVM utilisation. In this article, a Python package titled spectrally-regularised-LVMs is presented. The proposed package addresses the source duplication issue via the addition of a novel spectral regularisation term. This package provides a framework for spectral regularisation in single channel LVM applications, thereby making it easier to investigate and utilise LVMs with spectral regularisation. This is achieved via the use of symbolic or explicit representations of potential LVM objective functions which are incorporated into a framework that uses spectral regularisation during the LVM parameter estimation process. The objective of this package is to provide a consistent linear LVM optimisation framework which incorporates spectral regularisation and caters to single channel time-series applications.