BICAR：多重様体の時点データ融合のための新しいアルゴリズム

時空間データ融合の方法を導入し、3つの構築されたデータセットでそのパフォーマンスを実証します。1つは完全にシミュレートされ、1つは時間的な音声信号とシミュレートされた空間画像を備え、もう1つは録音された音楽時系列と空間パターンを定義する天文学的な画像を備えています。各ケーススタディは、方法をテストし、その能力を実証するために特定の課題を提示するために構築されています。当社のアルゴリズムであるBICAR（双方向独立成分平均表現）は、独立したコンポーネント分析（ICA）に基づいており、任意に異なる時空分解能を持つ2つのデータマトリックスから時間的および空間ソースのペアを抽出します。2つのダイナミクスを接続する物理伝達関数を使用して、時間的ソースと空間ソースをペアリングします。BICARは、再現性に従ってランク付けされたソースの階層を生成します。より再現可能なソースは、真の（既知の）ソースにより似ていることを示します。BICARは、すべての物理的なソースが等しくうるさい「最悪の」シナリオであっても、ノイズを追加することに対して堅牢です。BICARは、転送関数の誤った誤解に対しても比較的堅牢です。BICARは、神経科学、地球科学、天文学、およびその他の信号処理ドメインにおける有用なデータ駆動型同化法として有望です。

We introduce a method for spatiotemporal data fusion and demonstrate its performance on three constructed data sets: one entirely simulated, one with temporal speech signals and simulated spatial images, and another with recorded music time series and astronomical images defining the spatial patterns. Each case study is constructed to present specific challenges to test the method and demonstrate its capabilities. Our algorithm, BICAR (Bidirectional Independent Component Averaged Representation), is based on independent component analysis (ICA) and extracts pairs of temporal and spatial sources from two data matrices with arbitrarily different spatiotemporal resolution. We pair the temporal and spatial sources using a physical transfer function that connects the dynamics of the two. BICAR produces a hierarchy of sources ranked according to reproducibility; we show that sources which are more reproducible are more similar to true (known) sources. BICAR is robust to added noise, even in a "worst case" scenario where all physical sources are equally noisy. BICAR is also relatively robust to misspecification of the transfer function. BICAR holds promise as a useful data-driven assimilation method in neuroscience, earth science, astronomy, and other signal processing domains.