独立分量分析（ICA）试图提取在基本框架中线性混合的原始独立信号（源分量）。这封信讨论了分离不同源类的学习算法，其中观测数据遵循几个ICA模型的混合，其中，每个模型由独立源和非高斯源的线性组合描述。建议的方法基于最小值的连续应用β-diversion方法按顺序分离所有源类。该方法根据移位参数的顺序变化规律搜索每一类的恢复矩阵。如果初始选择的移位参数向量接近数据类的平均值，则将其他类中的数据视为离群值，使用独立的非高斯结构正确恢复属于该类的所有隐藏源。调谐参数的值β是该方法性能的关键。提出了一种交叉验证技术，作为调谐参数的自适应选择程序β以及实际和合成数据分析的应用。
