Alternating diffusion maps for multimodal data fusion

مشکل همجوشی اطلاعات از مجموعه داده های چندگانه به دست آمده از طریق سنسورهای چندجملهای توجه زیادی را در طول سالها به خود جلب کرده است. در این مقاله، ما بر روی یک تنظیم مشکل خاص متشکل از یک پدیده فیزیکی یا یک سیستم مورد علاقه توسط چندین حسگر تمرکز می کنیم. ما فرض می کنیم که تمام سنسورها برخی از جنبه های سیستم مورد علاقه را با اجزای حسگر خاص و غیر مرتبط مرتبط می کنند. هدف ما بازیابی متغیرهای مرتبط با سیستم مشاهده شده و فیلتر کردن اثرات مزاحمت متغیرهای خاص سنسور است. ما یک رویکرد مبتنی بر یادگیری چندگانه را پیشنهاد می دهیم، که مخصوصا برای مسائل با روش های مختلف مناسب است، زیرا هدف آن ساختار ذاتی داده ها است و از حداقل دانش اولیه پیشین استفاده می کند. به طور خاص، ما یک طرح فیلترینگ غیر خطی پیشنهاد می دهیم که منابع مخفی متغیر را که توسط دو یا چند سنسور گرفته شده است، استخراج می کند که مستقل از اجزای خاص سنسور هستند. علاوه بر ارائه یک تحلیل نظری، ما روش ما را بر روی داده های واقعی اندازه گیری شده برای ارزیابی مرحله خواب با استفاده از چندین سنسور اندازه گیری حسگر نشان می دهیم. ما نشان می دهد که بدون اطلاع قبلی از روش های مختلف و بر روی سیستم اندازه گیری، روش ما به ارمغان می آورد نمایش داده شده مبتنی بر داده ها است که به خوبی با فرآیند خواب پایه همبستگی دارد و اثرات قوی برای نویز و حساس است.