Abstrak
Menyimpulkan jumlah komponen berbeda yang berkontribusi pada suatu pengamatan, sambil secara simultan memperkirakan parameternya, tetap menjadi tantangan lama di bidang pemrosesan sinyal, astrofisika, dan ilmu saraf. Metode Bayesian trans-dimensional klasik seperti Reversible Jump Markov Chain Monte Carlo (RJMCMC) menyediakan inferensi yang asimtotik eksak tetapi dapat mahal secara komputasi. Sebagai alternatif, pembelajaran mendalam modern menawarkan inferensi yang lebih cepat tetapi biasanya mengasumsikan jumlah komponen tetap, menghindari tantangan inti trans-dimensionalitas. Untuk mengatasi ini, kami memperkenalkan SlotFlow, sebuah arsitektur pembelajaran mendalam untuk inferensi trans-dimensional yang diamortisasi. Arsitektur ini memproses observasi deret waktu, yang kami representasikan bersama dalam domain frekuensi dan waktu melalui encoder paralel. Sebuah pengklasifikasi menghasilkan distribusi atas jumlah komponen K, dan estimasi MAP-nya menentukan jumlah slot yang diinstansiasi. Setiap slot diparameterisasi oleh aliran normal bersyarat bersama yang dilatih melalui pencocokan Hungarian yang invarian terhadap permutasi. Pada dekomposisi sinusoidal dengan hingga 10 komponen yang tumpang tindih dan noise Gaussian, SlotFlow mencapai akurasi kardinalitas 99,85% dan posterior parameter yang terkalibrasi dengan baik, dengan bias sistematis jauh di bawah satu standar deviasi posterior. Perbandingan langsung dengan RJMCMC menunjukkan kesesuaian yang erat dalam amplitudo dan fase, dengan jarak Wasserstein W2 < 0,01 dan < 0,03, menunjukkan bahwa konteks global bersama menangkap struktur antar komponen meskipun posterior difaktorkan. Posterior frekuensi tetap terpusat tetapi menunjukkan interval 2-3 kali lebih lebar, konsisten dengan bottleneck encoder dalam mempertahankan koherensi fase baseline panjang. Metode ini memberikan percepatan sekitar 10^6 kali lipat dibandingkan RJMCMC, menunjukkan penerapan pada alur kerja yang sensitif terhadap waktu dalam astronomi gelombang gravitasi, pemilahan lonjakan saraf, dan visi berorientasi objek.
