MVICAD2：带有时延和膨胀的多视图独立成分分析

多视图设置中的机器学习技术面临重大挑战，特别是在整合异构数据、对齐特征空间和管理视图特定偏差方面。这些问题在神经科学中尤为突出，其中分析暴露于相同刺激的多名受试者的数据以揭示大脑活动动态。在脑磁图（MEG）中，信号在头皮层面捕获，估计大脑的潜在源至关重要，尤其是在假设源对所有受试者相似的群体研究中。常见方法（如多视图独立成分分析（MVICA））假设受试者之间的源相同，但由于个体差异和年龄相关变化，这一假设通常过于严格。带有时延的多视图独立成分分析（MVICAD）通过允许源在时间延迟上有所不同来解决这一问题。然而，时间膨胀效应（特别是在听觉刺激中）在大脑动态中很常见，使得仅估计时间延迟不够。为了解决这个问题，我们提出了带有时延和膨胀的多视图独立成分分析（MVICAD2），它允许源在受试者之间在时间延迟和膨胀两方面有所不同。我们提出了一个具有可识别源的模型，推导出其似然函数的闭式近似，并使用正则化和优化技术来提升性能。通过模拟，我们证明MVICAD2优于现有的多视图ICA方法。我们进一步使用Cam-CAN数据集验证了其有效性，并展示了时延和膨胀如何与衰老相关。