×
风险，Benjamin B。;大卫·S·马特森。;大卫·鲁珀特

通过最大似然进行线性非高斯分量分析。 （英语） Zbl 1478.62155号

美国统计协会。 114，编号525，332-343（2019）.
摘要：独立成分分析（ICA）在许多应用中都很流行，包括认知神经科学和信号处理。由于计算限制，在ICA（PCA+ICA）之前使用主成分分析（PCA）进行降维，可以去除重要信息。问题是，有趣的独立组件（IC）可能会混合在几个被丢弃的主要组件中，然后这些IC就无法恢复。我们建立了一个含有高斯噪声分量的线性非高斯分量模型。为了估计模型参数，我们提出了似然分量分析（LCA），该方法同时实现了降维和隐变量估计。我们的方法是按边际似然对分量排序，而不是像主成分分析那样按方差对分量排序。我们提出了使用logistic密度的参数LCA和使用三次B样条的倾斜高斯的半参数LCA。我们的算法可扩展到应用程序中常见的数据集（例如，数百个变量中的数十万个观测值和数十个潜在成分）。在仿真中，通过PCA+ICA方法恢复被丢弃的潜在成分。我们将我们的方法应用于多元数据，并证明LCA是一种有用的数据可视化和降维工具，它可以揭示PCA或PCA+ICA中不明显的特征。我们还将我们的方法应用于人类连接体项目的功能磁共振成像实验，并识别PCA+ICA遗漏的伪影。我们给出了线性非高斯分量模型的可识别性和LCA一致性的理论结果。

引用于7文件

MSC公司：

62H25个 因子分析和主成分；对应分析
62G05型 非参数估计
62M40型 随机字段；图像分析
62页第10页 统计学在生物学和医学科学中的应用；元分析

关键词：

功能磁共振成像;独立成分分析;神经影像学;主成分分析;投影寻踪

软件：

neuRosim公司;ProDenICA项目;fastICA（快速ICA）
PDF格式BibTeX公司 XML格式引用
\textit{B.B.Risk}等人，《美国统计协会期刊》第114期，第525、332--343号（2019年；Zbl 1478.62155）
全文： 内政部 arXiv公司

参考文献：

[1] Allassonniere，S。；Younes，L.，概率独立分量分析的随机算法，应用统计学年鉴，6125-160（2012）·兹比尔1358.62060
[2] 阿马托，美国。；安东尼亚迪斯，A。；萨马洛夫，A。；Tsybakov，A.，《密度估计和分类的噪声独立因子分析模型》，《电子统计杂志》，4707-736（2010）·Zbl 1329.62273号
[3] Attias，H.，独立因子分析，神经计算，11，803-851（1999）
[4] 巴赫，F.R。；Jordan，M.I.，《内核独立组件分析》，《机器学习研究杂志》，3，1-48（2003）·Zbl 1088.68689号
[5] Bartlett，M.S。；Movellan，J.R。；Sejnowski，T.J.，独立成分分析人脸识别，IEEE神经网络汇刊，131450-1464（2002）
[6] Beckmann，C.F.，《独立组件建模》，NeuroImage，62891-901（2012）
[7] 贝克曼，C.F。；Smith，S.M.，功能磁共振成像的概率独立分量分析，IEEE医学成像汇刊，23137-152（2004）
[8] 贝尔·A·J。；Sejnowski，T.J.，盲分离和盲反褶积的信息最大化方法，神经计算，71129-1159（1995）
[9] 布兰查德，G。；Kawanabe，M。；杉山，M。；斯波科尼，V。；Müller，K.-R.，《寻找高维分布的非高斯分量》，《机器学习研究杂志》，7，247-282（2006）·Zbl 1222.62009年
[10] 卡尔霍恩，V.D。；Adali，T.，《功能磁共振成像与独立成分分析的分离》，《IEEE医学与生物学工程杂志》，25，79-90（2006）
[11] Cardoso，J.F。；Souloumiac，A.，《非高斯信号的盲波束形成》，IEEE Proceedings F-雷达和信号处理，140362-370（1993）
[12] 陈，A。；Bickel，P.J.，《有效独立成分分析》，《统计年鉴》，342825-2855（2006）·Zbl 1114.62033号
[13] 科雷亚，N。；阿达利，T。；Calhoun，V.D.，使用组ICA方法进行fMRI分析的盲源分离算法性能，核磁共振成像，25，684-694（2007）
[14] 封面，T.M。；Thomas，J.A.，《信息理论的要素》（2006），新泽西州：威利·Zbl 1140.94001号
[15] Eloyan，A。；Ghosh，S.K.，《使用独立成分分析、计算统计和数据分析进行源分离的半参数方法》，58，383-396（2013）·Zbl 1365.62126号
[16] Friston，K.J。；威廉姆斯。；霍华德·R。；弗雷科威克，R.S。；Turner，R.，《功能磁共振成像时间序列中的运动相关效应》，医学磁共振，35346-355（1996）
[17] 格拉瑟，M.F。；Sotiropoulos，S.N。；Wilson，J.A。；科尔森，T.S。；费希尔，B。；Andersson，J.L。；徐，J。；贾巴迪，S。；韦伯斯特，M。；Polimeni，J.R。；Van Essen，哥伦比亚特区。；Jenkinson，M.，《人类连接体项目的最小预处理管道》，NeuroImage，80，105-124
[18] 绿色，C.G。；南迪·R·R。；Cordes，D.，功能磁共振成像数据的PCA预处理对ICA结果的不利影响，《国际医学磁共振学会论文集》（2002）
[19] Griffanti，L。；Salimi-Khorshidi，G。；贝克曼，C.F。；奥尔巴赫，E.J。；杜奥，G。；塞克斯顿，C.E。；Zsoldos，E。；Ebmeier，K.P。；菲利皮尼，N。；Mackay，C.E。；穆勒，S。；徐，J。；雅库布，E。；巴塞利，G。；Ugurbil，K。；Miller，K.L。；Smith，S.M.，《基于ICA的Artefit Removation and Accelerated fMRI Acquisition for Improved Resting State Network Imaging》，神经影像学，95232-247
[20] 郭毅。；Tang，L.，多学科fMRI研究概率独立成分分析的层次模型，生物统计学，69，970-981（2013）·Zbl 1419.62359号
[21] Hastie，T.，GAM：广义加法模型（2013）
[22] 哈斯蒂，T。；Tibshirani，R.，《通过产品密度估计进行独立成分分析》，《神经信息处理系统进展》，第15期，第649-656页（2003年）
[23] 哈斯蒂，T。；Tibshirani，R.，ProDenICA：使用倾斜高斯密度估计的ICA产品密度估计（2010）
[24] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》（2009），纽约：斯普林格出版社，纽约·Zbl 1273.62005年
[25] Huber，P.J.，《预测追求》，《统计年鉴》，第13435-475页（1985年）·Zbl 0595.62059号
[26] Hyvarinen，A.，独立分量分析的快速稳健定点算法，IEEE神经网络汇刊，10626-634（1999）
[27] Hyvärinen，A。；Karhunen，J。；Oja，E.，《独立成分分析》（2001），Wiley-Interscience
[28] Hyvärinen，A。；Oja，E.，用一般非线性类希伯来学习规则进行独立成分分析，信号处理，64，301-313（1998）·兹伯利0893.94034
[29] ---《独立成分分析：算法和应用》，神经网络，13，411-430（2000）
[30] Ilmonen，P。；诺德豪森，K。；Oja，H。；Ollila，E。；维格纳龙；V.，扎尔佐萨；E.、莫罗；R.、Brigonval；E.，Vincent，《ICA的新性能指标：属性、计算和渐近分析、潜在变量分析和信号分离》，229-236（2010），柏林：施普林格出版社，柏林
[31] 卡根，A.M。；拉奥，C.R。；Linnik，Y.V.，《数理统计中的表征问题》（1973），纽约：威利出版社，纽约·Zbl 0271.6202号
[32] Kawanabe，M。；杉山，M。；布兰查德，G。；Müller，K.，一种新的径向核函数非高斯分量分析算法，统计数学研究所年鉴，59，57-75（2007）·Zbl 1147.62349号
[33] Lee，T.W。；Girolma，M。；Sejnowski，T.J.，《使用扩展Infomax算法对亚高斯和超高斯混合源进行独立分量分析》，神经计算，11417-441（1999）
[34] Marchini，J.L。；希顿，C。；Ripley，B.D.，《FastICA：执行ICA和投影追踪的FastICA-Algorithms》（2010年）
[35] Matteson，D.S。；Tsay，R.S.，《通过距离协方差进行独立成分分析》，《美国统计协会杂志》，第112期，第623-637页（2016年）
[36] Miettinen，J。；诺德豪森，K。；Oja，H。；Taskinen，S.，《基于通缩的非线性自适应选择的FastICA》，IEEE信号处理汇刊，625716-5724（2014）·Zbl 1394.94394号
[37] Miettinen，J。；诺德豪森，K。；Oja，H。；Taskinen，S。；Virta，J.，平方对称Fastica估计器，信号处理，131402-411（2017）
[38] Miettinen，J。；Taskinen，S。；诺德豪森，K。；Oja，H.，第四矩和独立分量分析，统计科学，30372-390·Zbl 1332.62196号
[39] 诺德豪森，K。；Ilmonen，P。；曼达尔，A。；Oja，H。；Ollila，E.，基于通货紧缩的Fastica Reloaded，第19届欧洲信号处理会议论文集，1854-1858（2011）
[40] 诺德豪森，K。；Oja，H。；Tyler，D.E.，子空间维度的渐近和Bootstrap测试（2016）
[41] 诺德豪森，K。；Oja，H。；泰勒，D.E。；Virta，J.，非高斯子空间维数的渐近和自举测试，IEEE信号处理快报，24887-891（2017）
[42] 普鲁姆，R.H。；Mennes，M。；Van Rooij，D。；莱拉，A。；Buitelaar，J.K。；Beckmann，C.F.，《ICA-AROMA：一种基于ICA的健壮策略，用于从fMRI数据中移除运动伪影》，《神经影像》，第112期，第267-277页（2015年）
[43] 风险，B.B。；Matteson，D.S。；Ruppert，D。；Eloyan，A。；Caffo，B.S.，《独立成分分析评估及其在静止状态fMRI中的应用》，生物统计学，70224-236（2014）·Zbl 1419.62430号
[44] Salimi-Khorshidi，G。；杜奥，G。；贝克曼，C.F。；格拉瑟，M.F。；Griffanti，L。；Smith，S.M.，《功能MRI数据的自动去噪：结合独立成分分析和分类器的层次融合》，神经影像，90，449-468（2014）
[45] Samworth，R.J。；袁明，基于非参数极大似然估计的独立成分分析，《统计年鉴》，第40期，第2973-3002页（2012）·Zbl 1296.62084号
[46] Shi，R。；郭毅，用层次协方差调整独立成分分析研究脑功能网络的差异，应用统计学年鉴，1930-1957年10月（2016）·Zbl 1454.62399号
[47] 席尔瓦，P.F。；Marcal，A.R。；Da Silva，R.M.A.，《叶片识别特征评估》，《Springer计算机科学讲稿》（2013）
[48] Stögbauer，H。；Kraskov，A。；阿斯塔霍夫，S.A。；Grassberger，P.，基于相互信息的租赁相关成分分析，物理评论E，70（2004）
[49] Tipping，M.E。；Bishop，C.M.，概率主成分分析，《皇家统计学会杂志》，61611-622（1999）·Zbl 0924.62068号
[50] 维尔塔，J。；诺德豪森，K。；Oja，H.，独立成分分析中第三和第四累积量的联合使用（2015）
[51] 维尔塔，J。；诺德豪森，K。；Oja，H.，《非高斯独立组件的预测追求》（2016）
[52] Wei，T.，广义对称FastICA算法的收敛性和渐近分析，IEEE信号处理汇刊，636445-6458（2015）·Zbl 1395.94176号
[53] Welvaert，M。；Durnez，J。；默克尔，B。；Verdoolaege，G。；Rosseel，Y.，neuRosim:生成fMRI数据的R包，《统计软件杂志》，44，1-18（2011）
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。