Слепой источник разделения выпуклой смеси?


18

Предположим, у меня есть независимых источников, и я наблюдаю выпуклых смесей: Х 1 , Х 2 , . , , , X н м Y 1NИкс1,Икс2,,,,,ИксNм

Y1знак равноa11Икс1+a12Икс2++a1NИксN,,,Yмзнак равноaм1Икс1+aм2Икс2++aмNИксN

с для всех и для всех .ΣJaяJзнак равно1яaяJ0я,J

Каков современный уровень восстановления от ?ИксY

PCA не может быть и речи, потому что мне нужны компоненты, чтобы их можно было идентифицировать. Я смотрел на ICA и NMF - я не могу найти способ навязать неотрицательность коэффициентов смешения для ICA, и NMF, кажется, не максимизирует независимость.


2
Я думаю, что это следует называть «анализом неотрицательных независимых компонентов», но, похоже, это имя использовалось для ICA с ограничением неотрицательности для источников , а не для матрицы микширования ( eecs.qmul.ac.uk/ ~ markp / 2003 / Plumbley03-алгоритмы-c.pdf ). Так что это не относится к вашему делу. Интересный вопрос. XA
говорит амеба, восстанови Монику

Разве вы не хотите, чтобы суммы перебрасывали j вместо i? Можете ли вы предположить, что источники примерно гауссовы? если они унимодальны и имеют достаточно быстрое затухание, вполне возможно, что подойдет GMM.
Яир Даон

@YairDaon Ах да, спасибо, хороший улов. К сожалению, источники дискретны и даже не похожи на смеси гауссов. Но, возможно, я мог бы приблизить их к гауссовым смесям, а затем уточнить. Но было бы неплохо иметь что-то более общее / надежное
анонимное

1
Какие алгоритмы ICA вы пробовали? Я немного заржавел, но думаю, что предположение о неотрицательности коэффициентов микширования может быть наложено в некоторых алгоритмах, которые предполагают определенные модели для сигналов, таких как алгоритм слепой идентификации второго порядка с поправкой на вес (WASOBI), поскольку он предполагает, что вы можете смоделируйте сигналы как процессы AR и, таким образом, вы можете наложить условия на коэффициенты.
Нестор

1
Все источники поддерживаются на множестве {1,2, ..., 96}
анонимно

Ответы:


0

Этого можно достичь, используя экспоненциальную нелинейность вместо типичной / default tanh (), если X также неотрицателен.

Формула 40 в https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf и доступна в большинстве реализаций.

Например, в sklearn просто используйте fun = 'exp' https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.FastICA.html


1
Добро пожаловать в Stats.SE. Можете ли вы отредактировать свой ответ и расширить его, чтобы объяснить основные этапы ссылок, которые вы предоставляете? Таким образом, информация доступна для поиска здесь (и иногда ссылки ломаются). Возможно, вы захотите взглянуть на некоторую справку по форматированию . Пока вы в этом, вы можете использовать LaTeX / MathJax .
Ertxiem - восстановить Монику
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.