A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Nonlinear blind source separation exploiting spatial nonstationarity (2024)
Sipilä, M., Nordhausen, K., & Taskinen, S. (2024). Nonlinear blind source separation exploiting spatial nonstationarity. Information Sciences, 665, Article 120365. https://doi.org/10.1016/j.ins.2024.120365
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Sipilä, Mika; Nordhausen, Klaus; Taskinen, Sara
Lehti tai sarja: Information Sciences
ISSN: 0020-0255
eISSN: 1872-6291
Julkaisuvuosi: 2024
Ilmestymispäivä: 28.02.2024
Volyymi: 665
Artikkelinumero: 120365
Kustantaja: Elsevier
Julkaisumaa: Yhdysvallat (USA)
Julkaisun kieli: englanti
DOI: https://doi.org/10.1016/j.ins.2024.120365
Julkaisun avoin saatavuus: Avoimesti saatavilla
Julkaisukanavan avoin saatavuus: Osittain avoin julkaisukanava
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/93820
Rinnakkaistallenteen verkko-osoite (pre-print): https://arxiv.org/abs/2311.08004
Tiivistelmä
In spatial blind source separation the observed multivariate random fields are assumed to be mixtures of latent spatially dependent random fields. The objective is to recover latent random fields by estimating the unmixing transformation. Currently, the algorithms for spatial blind source separation can only estimate linear unmixing transformations. Nonlinear blind source separation methods for spatial data are scarce. In this paper, we extend an identifiable variational autoencoder that can estimate nonlinear unmixing transformations to spatially dependent data, and demonstrate its performance for both stationary and nonstationary spatial data using simulations. In addition, we introduce scaled mean absolute Shapley additive explanations for interpreting the latent components through nonlinear mixing transformation. The spatial identifiable variational autoencoder is applied to a geochemical dataset to find the latent random fields, which are then interpreted by using the scaled mean absolute Shapley additive explanations. Finally, we illustrate how the proposed method can be used as a pre-processing method when making multivariate predictions.
YSO-asiasanat: paikkatietoanalyysi; signaalinkäsittely; riippumattomien komponenttien analyysi
Vapaat asiasanat: independent component analysis; multivariate spatial data; Shapley values; variational autoencoder
Liittyvät organisaatiot
OKM-raportointi: Kyllä
Raportointivuosi: 2024
Alustava JUFO-taso: 3
