尼古拉斯·普菲斯特;塞巴斯蒂安·魏奇瓦尔德;彼得·伯尔曼;伯恩哈德·舍尔科夫 通过调整成组平稳噪声，增强独立分量分析的鲁棒性。 （英语） Zbl 1446.62172号 J.马赫。学习。物件。 20，第147号论文，50页（2019年）. 摘要：我们介绍coroICA公司一种新的独立分量分析算法，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淆所破坏（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，我们通过对公开可用的南极冰芯数据和两个EEG数据集的实验，说明了我们的方法在模拟数据上的性能和鲁棒性，提供了听觉和视觉示例，并证明了其对真实场景的适用性。我们提供了一个scikit-learn兼容的pip-installable Python包coroICA公司以及R和Matlab实现，以及https://sweichwald.de/coroICA网址/. 引用于2文件 MSC公司： 62H25个 因子分析和主成分；对应分析 62米10 统计学中的时间序列、自相关、回归等（GARCH） 62页第10页 统计学在生物学和医学科学中的应用；元分析 62页第12页 统计学在环境和相关主题中的应用 62-08 统计问题的计算方法 关键词：盲源分离;因果推理;混杂噪声;群体分析;异构数据;独立成分分析;非平稳信号;稳健性 软件：R（右）;EEGLAB公司;Matlab公司;Scikit公司;coroICA公司;蟒蛇 PDF格式BibTeX公司 XML格式引用 \textit{N.Pfister}等人，J.Mach。学习。第20号决议，第147号论文，50页（2019年；Zbl 1446.62172） 全文： arXiv公司 链接 参考文献： [1] P.Ablin、J.-F.Cardoso和A.Gramfort。超越Pham的联合对角化算法。arXiv预印本arXiv:1811.11433v12018。 [2] S.Amari、A.Cichocki和H.H.Yang。一种新的盲信号分离学习算法。神经信息处理系统进展8（NIPS 1995），第757-763页。NIPS基金会，1995年。 [3] A.Back和A.Weigend。独立成分分析首次应用于从股票收益中提取结构。国际神经系统杂志，8（4）：473-4841997。 [4] A.Barachant、S.Bonnet、M.Congedo和C.Jutten。基于黎曼几何的多类脑-计算机接口分类。IEEE生物医学工程汇刊，59（4）：920-9282012。 [5] C.Beckmann和S.M.Smith。多主体fMRI分析中独立成分分析的张量扩展。神经影像，25（1）：294-3112005。 [6] A.J.Bell和T.J.Sejnowski。盲分离和盲反褶积的信息最大化方法。神经计算，7（6）：1129-11591995。 [7] A.Belouchrani、K.Abed-Meraim、J.-F.Cardoso和E.Moulines。一种使用二阶统计量的盲源分离技术。IEEE信号处理汇刊，45（2）：434-4441997。 [8] B.Bereiter、S.Eggleston、J.Schmitt、C.Nehrbass-Ahles、T.F.Stocker、H.Fischer、S.Kipfstuhl和J.Chappellaz。将EPICA Dome C CO2记录从800 kyr修订为600 kyr。《地球物理研究快报》，42（2）：542-5492015。 [9] V.D.Calhoun、T.Adal、L.K.Hansen、J.Larsen和J.J.Pekar。功能性MRI数据的ICA：概述。《独立分量分析和盲信号分离国际研讨会论文集》，第281-288页，2003年。 [10] J.-F.卡多佐。利用高阶矩进行源分离。国际声学、语音和信号处理会议，第2109-2112页，第4卷，1989年5月a。 [11] J.-F.卡多佐。利用高阶统计量对独立分量进行盲辨识。高阶光谱分析研讨会，第157-162页，1989年6月b。 [12] J.-F.Cardoso和A.Souloumiac。非高斯信号的盲波束形成。IEE Proceedings F-雷达和信号处理，140（6）：362-3701993。 [13] J.-F.Cardoso和A.Souloumiac。同时对角化的雅可比角。SIAM矩阵分析与应用杂志，17（1）：161-1641996·Zbl 0844.65028号 [14] S.Choi和A.Cichocki。从噪声混合物中盲分离非平稳和时间相关源。InNeural Networks for Signal Processing X.2000 IEEE Signal Process Society Workshop会议记录，第405-414页。IEEE，2000年a。 [15] S.Choi和A.Cichocki。噪声混合中非平稳源的盲分离。《电子快报》，36（9）：848-8492000b。 [16] S.Choi和A.Cichocki。非平稳源分离的代数微分去相关。《电子快报》，37（23）：1414-14152001。 [17] S.Choi、A.Cichocki和A.Belouchrani。二阶非平稳和时间有色源的盲分离。第11届IEEE统计信号处理信号处理研讨会论文集，第444-447页。IEEE，2001年。 [18] P.科蒙。独立成分分析，一个新概念？信号处理，36（3）：287-3141994·Zbl 0791.62004号 [19] S.D¨ahne、F.Meinecke、S.Haufe、J.H¨ohne、M.Tangermann、K.-R.M¨uller和V.Nikulin。SPoC：一种将神经元振荡幅度与行为相关参数联系起来的新框架。《神经影像》，2014年第86:111-122页。 [20] A.Delorme和S.Makeig。EEGLAB：一个开源工具箱，用于单次试验脑电图动力学分析，包括独立成分分析。神经科学方法杂志，134（1）：9-212004。 [21] A.Delorme、T.Sejnowski和S.Makeig。使用高阶统计和独立分量分析增强EEG数据中伪影的检测。神经影像，34（4）：1443-14492007。 [22] A.Delorme、J.Palmer、J.Onton、R.Oostenveld和S.Makeig。独立的脑电图来源是双极性的。PLOS One，2012年2月7日至14日。 [23] D.Ghahremani、S.Makeig、T.Jung、A.Bell和T.Sejnowski。使用三壳球头模型对模拟脑电图进行独立分量分析。技术报告，加利福尼亚州圣地亚哥海军健康研究中心，1996年。 [24] I.Goncharova、D.McFarland、T.Vaughan和J.Wolpow。脑电图的肌电图污染：光谱和地形特征。临床神经生理学，114（9）：1580-15932003。 [25] T.Haavelmo。计量经济学中的概率方法。《计量经济学》，12:iii-1151944年·兹比尔0063.01837 [26] R.Hardstone、S.-S.Poil、G.Schiavone、R.Jansen、V.Nikulin、H.Mansvelder和K.Linkenkaer-Hansen。失谐波动分析：神经元振荡的无标度观点。生理学前沿，3:450，2012年。 [27] R.Harshman。PARAFAC程序的基础：解释性多模态因子分析的模型和条件，1970年。 [28] S.Haufe、F.Meinecke、K.G¨orgen、S.D¨ahne、J.-D.Haynes、B.Blankertz和F.Bießmann。多元神经成像中线性模型权重向量的解释。《神经影像》，87:96-1102014年。 [29] P.Hoyer、S.Shimizu、A.Kerminen和M.Palviainen。使用带有隐藏变量的线性非高斯因果模型估计因果效应。国际近似推理杂志，49（2）：362-3782008·Zbl 1184.62224号 [30] A.海沃林。独立分量分析的快速稳健定点算法。IEEE神经网络汇刊，10（3）：626-6341999。 [31] A.海沃林。使用高斯矩对含噪数据进行快速ICA。InISCAS’99。1999年IEEE电路和系统VLSI国际研讨会论文集，第57-61页。IEEE，1999年。 [32] A.海沃林。基于方差非平稳性的盲源分离：一种基于累积量的方法。IEEE神经网络汇刊，12（6）：1471-14742001。 [33] A.海沃林。独立成分分析：最新进展。《皇家学会哲学学报A：数学、物理和工程科学》，371（1984）：201105342013·Zbl 1353.62066号 [34] A.Hyv¨arinen和H.Morioka。基于时间对比学习和非线性ICA的无监督特征提取。神经信息处理系统研究进展29（NIPS 2016），第3765-3773页。NIPS基金会，2016年。 [35] A.Hyv¨arinen、J.Karhunen和E.Oja。独立成分分析。John Wiley&Sons，2002年。 [36] A.Hyv¨arinen、K.Zhang、S.Shimizu和P.Hoyer。使用非高斯性估计结构向量自回归模型。机器学习研究杂志，11（5）：1709-17312010·Zbl 1242.62097号 [37] P.Ilmonen、K.Nordhausen、H.Oja和E.Ollila。ICA的一个新性能指标：性质、计算和渐近分析。潜在变量分析和信号分离，第229-236页。施普林格，2010年。 [38] G.W.Imbens和D.B.Rubin，《统计、社会和生物医学科学因果推断》。剑桥大学出版社，2015年·Zbl 1355.6202号 [39] 政府间气候变化专门委员会。2013年气候变化——物理科学基础。剑桥大学出版社，2014年。 [40] J.Jouzel、V.Masson-Delmotte、O.Cattani、G.Dreyfus、S.Falourd、G.Hoffmann、B.Minster、J.Nouet、J.-M Barnola、J.Chappellaz、H.Fischer、J.C.Gallet、S.Johnsen、M.Leuenberger、L.Loulergue、D.L¨uthi、H.Oerter、F.Parrenin、Raisbeck G.、D.Raynaud、J.Schilt、A.Schwander、E.Selmo、R.Souchez、R.Spahni、B.Stauffer、J.P.Steffensen、，B.Stenni、T.Stocker、J.L.Tison、M.Werner和E.W.Wolff。在过去80万年中，南极的轨道和千年气候变化。《科学》，317（5839）：793-7962007。 [41] T.-P.Jung、S.Makeig、C.Humphries、T.-W.Lee、M.Mckeown、V.Iragui和T.Sejnowski。通过盲源分离去除脑电图伪影。心理生理学，37（2）：163-1782000。 [42] M.Kleinsteuber和H.Shen。非酉矩阵联合对角化的唯一性分析。IEEE信号处理汇刊，61（7）：1786-17962013·Zbl 1393.94303号 [43] Z.J.Koles、M.S.Lazar和S.Z.Zhou。背景脑电图中人群差异的空间模式。脑地形图，2（4）：275-2841990。 [44] F.Lotte、L.Bougrain、A.Cichocki、M.Clerc、M.Congedo、A.Rakotomamonjy和F.Yger。基于EEG的脑-机接口分类算法综述：10年更新。神经工程杂志，15（3）：0310052018。 [45] H.L¨utkepohl。多时间序列分析新导论。斯普林格科学与商业媒体，2005年·Zbl 1072.62075号 [46] S.Makeig、A.J.Bell、T.P.Jung和T.J.Sejnowski。脑电图数据的独立成分分析。神经信息处理系统进展8（NIPS 1995），第145-151页。NIPS基金会，1995年。 [47] S.Makeig、T.-P.Jung、A.Bell、D.Ghahremani和T.Sejnowski。将听觉事件相关的大脑反应盲分离为独立成分。《国家科学院院刊》，94（20）：10979-109841997年。 [48] S.Makeig、M.Westerfield、T.-P.Jung、S.Enghoff、J.Townsend、E.Courchesne和T.Sejnowski。视觉诱发反应的动态脑源。《科学》，295（5555）：690-6942002。 [49] K.Matsuoka、M.Ohoya和M.Kawamoto。用于非平稳信号盲分离的神经网络。神经网络，8（3）：411-4191995。 [50] M.McKeown、T.-P.Jung、S.Makeig、G.Brown、S.Kindermann、T.-W.Lee和T.Sejnowski。Stroop颜色命名任务期间功能MRI数据中的空间独立活动模式。《美国国家科学院院刊》，95（3）：803-8101998a。 [51] M.McKeown、S.Makeig、G.Brown、T.-P.Jung、S.Kindermann、A.Bell和T.-J.Sejnowski。通过盲分离成独立的空间分量来分析功能磁共振成像数据。人脑绘图，6（3）：160-1881998b。 [52] J.Miettinen、K.Nordhausen、H.Oja和S.Taskinen。平稳时间序列盲源分离估计的统计特性。《统计与概率快报》，82（11）：1865-18732012年·Zbl 1312.62110号 [53] E.Moulines、J.-F.Cardoso和E.Gassiat。使用混合模型对噪声信号进行盲分离和反褶积的最大可能性。1997年IEEE声学、语音和信号处理国际会议，第5卷，第3617-3620页。IEEE，1997年。 [54] K.诺德豪森。非平稳时间序列二阶盲源分离方法的鲁棒性。统计论文，55（1）：141-1562014年2月·Zbl 1308.62176号 [55] P.L.Nunez和R.Srinivasan。脑电场：脑电图的神经物理学。牛津大学出版社，2006年。 [56] 朱迪娅·珀尔。因果关系。剑桥大学出版社，2009年第2版·Zbl 1188.68291号 [57] F.Pedregosa、G.Varoqueaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot和E.Duchesnay。Scikit-learn：Python中的机器学习。机器学习研究杂志，12（10）：2825-28302011·Zbl 1280.68189号 [58] J.Peters、P.B–uhlmann和N.Meinshausen。使用不变预测进行因果推断：识别和置信区间。英国皇家统计学会杂志：B辑（统计方法），78（5）：947-10122016·Zbl 1414.62297号 [59] J.Peters、D.Janzing和B.Sch¨olkopf。因果推理的要素。麻省理工学院出版社，2017年·Zbl 1416.62012年 [60] Pexels GmbH.Pexels公司。https://www.pexels.com/, 2018. 访问时间：2018-10-30。 [61] D.-T.Pham和J.-F.Cardoso。非平稳源的瞬时混合物的盲分离。IEEE信号处理汇刊，49（9）：1837-18482001·Zbl 1369.94262号 [62] D.Rothenh¨ausler、C.Heinze、J.Peters和N.Meinshausen。倒退：从未知换档干预中学习因果循环图。神经信息处理系统进展28（NIPS 2015），第1513-1521页。NIPS基金会，2015年。 [63] S.Shimizu、P.Hoyer、A.Hyv¨arinen和A.Kerminen。因果发现的线性非高斯非循环模型。机器学习研究杂志，7（10）：2003-2030，2006·Zbl 1222.68304号 [64] M.Tangermann、K.-R.M¨uller、A.Aertsen、N.Birbaumer、C.Braun、C.Brunner、R.Leeb、C.Mehring、K.Miller、G.M¨luller-Putz、G.Nolte、G.Pfurtscheller、H.Preissl、G.Schalk、A.Schl¨ogl、C.Vidaure、S.Waldert和B.Blankertz。《BCI竞赛综述IV：神经科学前沿》，2012年6月55日。 [65] P.Tichavsky和A.Yeredor。结合权重矩阵的快速近似联合对角化。IEEE信号处理汇刊，57（3）：878-8912009·Zbl 1391.94416号 [66] L.Tong、V.C.Soon、Y.F.Huang和R.Liu。AMUSE：一种新的盲识别算法。在IEEE电路和系统国际研讨会上，第1784-1787页。IEEE，1990年。 [67] M.Treder、A.Bahramisharif、N.Schmidt、M.Van Gerven和B.Blankertz。使用由注意力隐蔽转移引起的α活动调制的大脑-计算机接口。《神经工程与康复杂志》，8（1）：242011年。 [68] L.Zhukov、D.Weinstein和C.Johnson。脑电信号源定位的独立分量分析。IEEE医学与生物学工程杂志，19（3）：87-962000。 [69] 答：。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。