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 toimittajatSipilä, Mika; Nordhausen, Klaus; Taskinen, Sara

Lehti tai sarjaInformation Sciences

ISSN0020-0255

eISSN1872-6291

Julkaisuvuosi2024

Ilmestymispäivä28.02.2024

Volyymi665

Artikkelinumero120365

KustantajaElsevier

JulkaisumaaYhdysvallat (USA)

Julkaisun kielienglanti

DOIhttps://doi.org/10.1016/j.ins.2024.120365

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusOsittain 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-asiasanatpaikkatietoanalyysisignaalinkäsittelyriippumattomien komponenttien analyysi

Vapaat asiasanatindependent component analysis; multivariate spatial data; Shapley values; variational autoencoder


Liittyvät organisaatiot


OKM-raportointiKyllä

Raportointivuosi2024

Alustava JUFO-taso3


Viimeisin päivitys 2024-13-05 klo 18:25