Załóżmy, że mam niezależnych źródeł, i obserwuję wypukłych mieszanin: \ begin {align} Y_1 & = a_ {11} X_1 + a_ {12} X_2 + \ cdots + a_ {1n} X_n \\ ... & \\ Y_m & = a_ {m1} X_1 + a_ {m2} X_2 + \ cdots + a_ {mn} X_n \ end {align}X 1 , X 2 , . . . , X n m Y 1
z dla wszystkich i dla wszystkich .
Jaki jest stan techniki w odzyskiwaniu z ?
PCA nie wchodzi w rachubę, ponieważ potrzebuję elementów do zidentyfikowania. Spojrzałem na ICA i NMF - nie mogę znaleźć żadnego sposobu narzucenia nieujemności współczynników mieszania dla ICA, a NMF nie wydaje się maksymalizować niezależności.
Odpowiedzi:
Można to osiągnąć stosując wykładniczą nieliniowość zamiast typowej / domyślnej tanh (), jeśli X jest również nieujemne.
Formuła 40 w https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf i dostępna w większości wdrożeń.
Np. W sklearn wystarczy użyć fun = 'exp' https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.FastICA.html
źródło