尼古拉斯·普菲斯特（Niklas Pfister）、塞巴斯蒂安·魏奇瓦尔德（Sebastian Weichwald）、彼得·鲍尔曼（Peter Bühlmann）、伯恩哈德·舍尔科夫（Bernhard Schölkopf）。
年份：2019年，数量：20，版本：147，页码：1-50
摘要
我们引入了一种新的ICA算法，即共聚焦独立分量分析（confund-robast independent component analysis），该算法将线性混合的多元观测值分解为独立分量，这些独立分量被隐藏的群体平稳混叠破坏（并呈现出依赖性）。它以一种理论上合理且明确的方式扩展了普通ICA模型，以纳入群体（或环境）混淆。我们表明，我们提出的通用噪声模型允许在其他噪声ICA程序失败的情况下执行ICA。此外，它还可以用于分组数据的应用，方法是调整每组中的不同平稳噪声。我们提出的噪声模型与因果关系有着天然的联系，我们解释了如何将其应用于因果推理。除了我们的理论框架外，我们还提供了一个有效的估计过程，并在温和的假设下证明了分解矩阵的可识别性。最后，我们在模拟数据上说明了我们的方法的性能和稳健性，提供了听觉和视觉示例，并通过对公开可用的南极冰芯数据和两个脑电图数据集的实验证明了其对现实世界场景的适用性。我们提供了一个scikit-learn兼容的pip-installable Python包coroICA以及R和Matlab实现，并在https://sweichwald.de/coroICA网址/
PDF格式
BibTeX公司
代码