关于在不假设非高斯性的条件下稀疏ICA的可识别性
机器学习
2024-08-21 v1 机器学习
摘要
独立成分分析（ICA）是一种用于从观测数据中揭示隐藏生成过程的基础统计工具。然而，传统ICA方法难以处理高斯分布固有的旋转不变性，通常需要假设底层源的非高斯性。这可能限制其在更广泛场景中的适用性。为了兼容高斯源，我们发展了一种基于二阶统计量的可识别性理论，不对源的分布施加额外先验条件，通过引入关于源到观测变量之间连接结构的新假设。与近期关注可能具有限制性的连接结构的工作不同，我们提出的结构变异性假设既显著不那么严格，又具有可证明的必要性。此外，我们提出了两种基于二阶统计量和稀疏约束的估计方法。实验结果验证了我们的可识别性理论和估计方法。
引用
@article{arxiv.2408.10353,
title = {On the Identifiability of Sparse ICA without Assuming Non-Gaussianity},
author = {Ignavier Ng and Yujia Zheng and Xinshuai Dong and Kun Zhang},
journal= {arXiv preprint arXiv:2408.10353},
year = {2024}
}
备注
NeurIPS 2023