Сигнал или шум? Фазовые переходы в данных высокой размерности | Поль-Луи Делакур | #15

🎓 Делфтский технический университет | Делфтский центр систем и управления (DCSC) 🇳🇱 📚 Серия коллоквиумов – Запись № 15 Что происходит, когда несколько сигналов оказываются скрытыми в многомерной зашумленной матрице? Могут ли спектральные методы, такие как PCA, все еще обнаружить их? На этом коллоквиуме DCSC мы используем теорию случайных матриц для выявления резких фазовых переходов, которые отделяют обнаруживаемые сигналы от чистого шума. 📊🔍 Добро пожаловать на официальные записи серии коллоквиумов DCSC в Делфтском техническом университете! В этой серии мы делимся содержательными докладами ведущих исследователей, представляющих свои последние работы в области систем, управления, оптимизации и обучения. 🔗 https://www.tudelft.nl/me/over/afdeli... 🌐 Все доклады и предстоящие семинары: https://carlocenedese.github.io/DCSC_... ⸻ 🎥 Название доклада: Теория случайных матриц и фазовый переход в многомерной модели сигнала 📣 Докладчик: Поль-Луи Делакур (TU Delft, DCSC) ⸻ 🧠 Аннотация: Что происходит, когда конечное число сигналов встроено в многомерную зашумленную матрицу? Могут ли спектральные методы, такие как PCA, по-прежнему их обнаруживать? В этой работе представлены точные границы параметров, необходимых для обнаружения одного или нескольких пиков через крайние собственные значения ковариационной матрицы SMM. Мы устанавливаем критические пороговые значения, определяемые взаимодействием параметров пиков, выше которых экстремальные собственные значения отделяются от шумового массива и выявляют наличие сигнальной структуры. Эти теоретические гарантии имеют потенциальное значение для решения реальных задач обнаружения, описываемых данной моделью, включая гиперспектральную визуализацию и масс-спектрометрию изображений. ⸻ В этом докладе: 📊 Обнаружение сигналов в многомерном пространстве 🧮 Теория случайных матриц 📈 Фазовые переходы в спектральных методах 🔍 PCA и экстремальные собственные значения 🌊 Модели ковариации с импульсами 🛰️ Гиперспектральная визуализация 🔬 Масс-спектрометрия изображений ⸻ Разделы: 00:00 Введение и обзор теории случайных матриц 00:50 Оценка ковариации: классический подход против подхода больших данных 04:15 Предельное спектральное распределение и закон Марченко-Пастура 05:50 Формулировка модели смеси с импульсами (SMM) 08:26 Многомерные геометрические предположения и ковариация 10:12 Фазовые переходы и информационная матрица L 13:06 Доказательная интуиция: анализ второго момента и метод Йенсена Неравенство 18:49 Условные ожидания и вывод нижней границы 22:30 Ключевые выводы: Спектральное поведение в многомерном пространстве 23:22 Вопросы и ответы ⸻ 🔬 Научные направления: Системный и сигнальный анализ ⸻ 👤 О докладчике: Пол-Луи Делакур — аспирант Делфтского центра систем и управления (DCSC) при Техническом университете Делфта. Его работа находится на стыке машинного обучения, многомерной статистики и теории случайных матриц. Его исследования направлены на понимание того, когда можно восстановить скрытую структуру из сложных и зашумленных данных, как резкие переходы разделяют обучаемые и необучаемые режимы, и как эти теоретические выводы могут помочь в разработке эффективных методов вывода и генеративного обучения. ⸻ 📈 Ключевые слова: теория случайных матриц, фазовый переход, многомерная статистика, модель ковариации с импульсами, PCA, спектральные методы, экстремальные собственные значения, обнаружение сигнала, гиперспектральная визуализация, масс-спектрометрия изображений, машинное обучение, TU Delft, системы и управление, DCSC Хэштеги: #ТеорияСлучайныхМатриц #ВысокоРазмернаяСтатистика #PCA #ОбработкаСигналов #МашинноеОбучение #ГиперспектральнаяВизуализация #TUDelft #DCSC