×
亚历山大·索科尔;马洛斯·马托伊斯。;本杰明·福克伯格

在独立成分分析中量化可识别性。 （英语） Zbl 1298.62045号

电子。J.统计。 8，第1期，1438-1459（2014）.
摘要：当误差分布接近（但不同于）高斯时，我们对ICA模型中混合矩阵的一致性估计感兴趣。特别地，我们考虑来自ICA模型的\（n\）独立样本\（X=A\epsilon\），其中我们假设\（\epsilon\）的坐标是独立的，并且根据受污染的高斯分布是同分布的，并且允许污染量取决于\（n\）。然后，我们研究了一致估计混合矩阵的能力如何取决于污染量。我们的结果表明，在渐近意义上，如果污染量以1/sqrt{n}或更快的速度减少，那么混合矩阵只能在转置乘积之前被识别。这些结果也对具有近高斯加性噪声的线性结构方程模型的因果推断具有指导意义。

引用于1文件

MSC公司：

2012年12月62日 参数估计量的渐近性质
62层35 鲁棒性和自适应程序（参数推断）

关键词：

独立成分分析;林加姆;可识别性;科尔莫戈洛夫范数;污染分布;渐近统计;经验过程;线性结构方程模型

软件：

DirectLiNGAM公司;固定点算法
PDF格式BibTeX公司 XML格式引用
\textit{A.Sokol}等人，《电子》。J.Stat.8，No.1，1438--1459（2014；Zbl 1298.62045）
全文： DOI程序 arXiv公司 欧几里得

参考文献：

[1] Amari，S.-I.和Cardoso，J.-F.，盲源分离-半参数统计方法，IEEE信号处理学报45（1997），第11期，2692-2700。
[2] Bartlett，M.S.、Movellan，J.R.和Sejnowski，T.J.，《独立成分分析人脸识别》，IEEE神经网络学报13（2002），第6期，1450-1464。
[3] Beckmann，C.F.和Smith，S.M.，功能磁共振成像的概率独立分量分析，IEEE医学成像学报23（2004），第2期，137-152。
[4] Chen，A.和Bickel，P.J.，《有效独立成分分析》，Ann.Statist。34（2006），第6期，2825-2855·Zbl 1114.62033号 ·doi:10.1214/0090536000000939
[5] Comon，P.，独立成分分析，一个新概念？《信号处理》36（1994），287-314·Zbl 0791.62004号 ·doi:10.1016/0165-1684（94）90029-9
[6] Comon，P.和Jutten，C.，《盲源分离手册：独立成分分析和应用》，牛津爱思唯尔出版社，2010年。
[7] Cörgő，M.和Horváth，L.，关于多元经验过程强逼近的注释，随机过程。申请。28（1988），第1期，101-109·Zbl 0651.60040号 ·doi:10.1016/0304-4149（88）90068-3
[8] Dudley，R.M.，不可分度量空间上概率的弱收敛性和欧几里德空间上的经验测度，伊利诺伊州数学杂志。第10页（1966年），第109-126页·兹标0178.52502
[9] Eriksson，J.和Koivunen，V.，线性ICA模型的可识别性、可分性和唯一性，IEEE信号处理快报11（2004），第7期，601-604。
[10] Hoyer，P.O.、Janzing，D.、Mooij，J.M.、Peters，J.和Schölkopf，B.，《加性噪声模型的非线性因果发现》，《神经信息处理系统21（NIPS）进展》，麻省理工学院出版社，2009年，第689-696页。
[11] Hyvärinen，A.，《独立元件分析的快速稳健定点算法》，IEEE神经网络学报10（1999），第3期，626-634。
[12] Hyvärinen，A.，《独立成分分析：最新进展》，Phil.Trans。罗伊。Soc.序列号。A 371（2013），1-19·Zbl 1353.62066号
[13] Hyvärinen，A.、Karhunen，J.和Oja，E.，《独立成分分析》，Wiley-Blackwell，纽约，2001年。
[14] Ilmonen，P.和Paindaveine，D.，基于对称独立分量模型中符号秩的半参数有效推理，Ann.Statist。39（2011），第5期，2448-2476·Zbl 1231.62043号 ·doi:10.1214/11-AOS906
[15] Jung，T.P.、Makeig，S.、McKeown，M.J.、Bell，A.J.、Lee，T.W.和Sejnowski，T.J.，使用独立成分分析成像大脑动力学，IEEE 89（2001），第7期，1107-1122。
[16] Khoshnevisan，D.，多参数过程，Springer数学专著，Springer-Verlag，纽约，2002年·Zbl 1005.60005号
[17] Lifshits，M.A.，《高斯随机函数，数学及其应用》，第322卷，Kluwer学术出版社，Dordrecht，1995年·Zbl 0832.60002号
[18] Novey，M.和Adah，T.，《负熵最大化的复杂ICA》，IEEE神经网络学报19（2008），第4期，596-609。
[19] Ollila，E.、Kim，H.-J.和Koivunen，V.，独立元件分析的Compact Cramér-Rao绑定表达式，IEEE Transactions on Signal Processing 56（2008），第4期，1421-1428·Zbl 1390.94343号 ·doi:10.1109/TSP.2007.910484
[20] Peters，J.和Bühlmann，P.，具有相同误差方差的高斯结构方程模型的可识别性，生物统计学101（2014），219-228·Zbl 1285.62005号 ·doi:10.1093/biomet/ast043
[21] Rudin，W.，《真实与复杂分析》，第三版，McGraw-Hill Book Co.，纽约，1987年·Zbl 0925.00005
[22] Samworth，R.J.和Yuan，M.，通过非参数最大似然估计进行独立成分分析，Ann.Statist。40 (2012), 2973-3002. ·Zbl 1296.62084号 ·doi:10.1214/12-AOS1060
[23] Shimizu，S.、Hoyer，P.O.、Hyvärinen，A.和Kerminen，A.，因果发现的线性非高斯非循环模型，J.Mach。学习。第7号决议（2006年），2003-2030年·Zbl 1222.68304号
[24] Shimizu，S.，Inazumi，T.，Sogawa，Y.，Hyvärinen，A.，Kawahara，Y.、Washio，T.、Hoyer，P.O.和Bollen，K.，DirectLiNGAM：学习线性非高斯结构方程模型的直接方法，J.Mach。学习。第12号决议（2011年），1225-1248·Zbl 1280.68195号
[25] van der Vaart，A.W.和Wellner，J.A.，《弱收敛和经验过程》，《统计学中的Springer系列》，Springer-Verlag，纽约，1996年·兹比尔0862.60002
[26] Vigario，R.、Särelä，J.、Joussmäki，V.、Hämäläinen，m.和Oja，E.，分析脑电和脑磁图记录的独立成分方法，IEEE生物医学工程汇刊47（2000），第5期，589-593。
[27] Yuan，M.，《关于加性指数模型的可识别性》，《中国统计》第21期（2011），1901-1911·Zbl 1225.62059号 ·doi:10.5705/ss.2008.117
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。