On blind source separation under exotic data structures

Thumbnail Image
Files
isbn9789526401263.pdf (578.69 KB)

isbn9789526401263_errata.pdf (33.56 KB)
Journal Title
Journal ISSN
Volume Title
School of Science | Doctoral thesis (article-based) | Defence date: 2020-11-27
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2020
Department
Matematiikan ja systeemianalyysin laitos
Department of Mathematics and Systems Analysis
Major/Subject
Mcode
Degree programme
Language
en
Pages
70 + app. 128
Series
Aalto University publication series DOCTORAL DISSERTATIONS, 181/2020
Abstract
Blind source separation techniques form a wide class of approaches designed to uncover latent sources of interest, when only mixtures of them are available. The premise is that we have only a little information concerning the mixing system and the underlying latent sources. Recent technological advances have increased the demand of blind source separation approaches in exotic setups. In particular, we consider blind source separation for complex-valued data and for tensor-valued data. Furthermore, we consider approaches for measuring the performance of different blind source separation procedures in controlled simulation setups. The topics of this dissertation vary from theoretical to very applied: (1) We provide theoretical foundations for solving and identifying solutions under different blind source separation models and derive corresponding asymptotic properties. (2) We greatly extend the applicability of a performance measure designed for blind source separation and again provide corresponding asymptotic properties. (3) We consider algorithmic approaches and provide new practical ways to estimate latent sources of interest. (4) We successfully apply a blind source separation method to uncover interesting structure from a real-life cancer incidence data. The unifying factor between the different topics is blind source separation. In addition, these topics are extended to cover specific exotic setups. These exotic extensions are not derived for the sake of academic interest only, they are always motivated by the demand of real-life applications.

Sokean signaalinerottelun menetelmät muodostavat laajan luokan työkaluja, joiden avulla voidaan löytää piileviä lähdesignaaleja. Alkuperäisiä lähdesignaaleja ei voida havaita ja saatavilla on ainoastaan jokin sekoitus näistä alkuperäisistä signaaleista. Yleensä lähdesignaaleista ja sekoittavasta systeemistä on saatavilla vain vähän informaatiota. Sokean signaalinerottelun menetelmien kysyntä eksoottisille asetelmille on ollut kasvussa viime aikoina. Väitöskirjassa tarkastellaan sokean signaalinerottelun menetelmiä erityisesti kompleksiarvoiselle aineistolle ja tensoriarvoiselle aineistolle sekä johdetaan lähestymistapoja eri sokean signaalinkäsittelyn menetelmien suorituskyvyn vertailemiseen. Aihepiirit vaihtelevat teoreettisesta soveltavaan: (1) Väitöskirjassa tarkastellaan erilaisten sokean signaalinerottelun mallien ratkaisemista ja identifioituvuutta ja johdetaan vastaavia asymptoottisia ominaisuuksia. (2) Erään suorituskykymittarin sovellettavuutta laajennetaan ja vastaavia asymptoottisia ominaisuuksia johdetaan. (3) Väitöskirjassa esitellään uusia algoritmeja. (4) Sokean signaalinerottelun menetelmää sovelletaan onnistuneesti oikeaan syöpäaineistoon. Yhdistävä tekijä eri teemojen välillä on sokea signaalinerottelu epätavallisissa asetelmissa. Kaikki väitöskirjassa tarkastellut menetelmät vastaavat todellisten sovelluskohteiden kysyntään.
Description
The public defence will be organised via Zoom 27.11.2020 12:00 – 16:00. https://aalto.zoom.us/j/68817346436
Supervising professor
Ilmonen, Pauliina, Asst. Prof., Aalto University, Department of Mathematics and Systems Analysis, Finland
Keywords
blind source separation, performance indices, complex-valued, tensor-valued, asymptotic theory, sokea signaalinerottelu, suorituskykymitta, kompleksiarvoinen, tensoriarvoinen, asymptoottinen teoria
Other note
Parts
  • DOI: 10.1016/j.spl.2016.06.019 View at publisher
  • [Publication 2]: N. LIETZÉN, K. NORDHAUSEN, AND P. ILMONEN. Complex valued robust multidimensional SOBI. In Latent Variable Analysis and Signal Separation. LVA/ICA 2017. Lecture Notes in Computer Science, vol 10169, Grenoble, France, pp. 131–140, February 2017.
    DOI: 10.1007/978-3-319-53547-0_13 View at publisher
  • [Publication 3]: N. LIETZÉN, J. PITKÄNIEMI, S. HEINÄVAARA, AND P. ILMONEN. On exploring hidden structures of cervical cancer incidence data. Cancer Control, 25, (1), September 2018.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-201811025565
    DOI: 10.1177/1073274818801604 View at publisher
  • [Publication 4]: N. LIETZÉN. On blind source separation under martingales: A probability theoretic perspective. In 21st European Young Statisticians Meeting, Belgrade, Serbia, pp. 46–50, July 2019.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202001021203
  • [Publication 5]: J. VIRTA, N. LIETZÉN, K. NORDHAUSEN, AND P. ILMONEN. Fast tensorial JADE. Scandinavian Journal of Statistics, Wiley Online Library, April 2020.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202002132215
    DOI: 10.1111/sjos.12445 View at publisher
  • [Publication 6]: N. LIETZÉN, J. VIRTA, K. NORDHAUSEN, AND P. ILMONEN. Minimum distance index for BSS, generalization, interpretation and asymptotics. Austrian Journal of Statistics, pp. 57–68, April 2020.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202004282864
    DOI: 10.17713/ajs.v49i4.1130 View at publisher
  • [Publication 7]: N. LIETZÉN, L. VIITASAARI, AND P. ILMONEN. Modeling temporally uncorrelated components for complex-valued stationary processes. submitted to a journal, March 30, 2020
Citation
Permanent link to this item
https://urn.fi/URN:ISBN:978-952-64-0126-3
Collections
[diss] Perustieteiden korkeakoulu / SCI