复值信号分析新突破！SSFA模型让协方差估计精度飙升，还能智能补全缺失数据！
Sparse Separable Factor Analysis in the Complex Domain with an Application to Local Field Potential Data
📖 AI 总结
该研究提出了一种面向复数域数组的稀疏可分离因子分析模型（SSFA），用于处理信号处理中同时包含幅度和相位信息的多维数据。现有协方差估计方法往往忽略数据的多路组织结构，或依赖实数域嵌入而未能直接利用复数结构。SSFA通过在每个模态上引入低秩Hermitian因子结构和对角残差协方差矩阵，构建了可分离的协方差结构，并采用元素级lasso惩罚和模态轮换的参数扩展期望最大化算法进行估计，其载荷更新可闭式求解复数软阈值，在压缩模量的同时保留相位信息。模拟实验表明，SSFA在协方差估计上优于向量化方法及复数主成分分析。研究将该方法应用于小鼠局部场电位记录，比较了脑区、频率和时间不同分组下的可分离结构，并对因电极错位导致的缺失记录进行了基于模型的插补。
🔑 关键词速览
| Sparse Separable Factor Analysis (SSFA) | 一种针对复值数组的潜在因子模型，通过稀疏惩罚和可分离协方差结构实现可解释的降维与估计。 |
| Complex-valued arrays | 元素为复数的多维数组，同时包含幅度和相位信息，常见于信号处理领域。 |
| Separable covariance structure | 协方差矩阵可分解为各模式特定协方差矩阵的克罗内克积，简化高维数据的建模。 |
| Hermitian factor structure | 利用厄米特矩阵（共轭对称矩阵）描述复值数据的低秩结构，保持相位信息。 |
| Complex soft-thresholding | 一种在复域中收缩载荷模同时保留相位的优化操作，用于实现稀疏性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅