知识卡片
独立成分分析ICA
ICA 的目标是把观测信号分离成若干个潜在信号,它们经缩放与叠加可重建观测数据,且彼此完全独立(不只是不相关)。与生成模型最接近的变种固定用户给定的 p(h),确定性生成 x=Wh,再用最大似然学习;另一些变种不显式表示 p(h),转而让 h=W⁻¹x 的元素相互独立(如最大化峰度)。根本要求是 p(h) 非高斯:若先验为高斯,W 不可识别,许多 W 都给出相同的 p(x),这与概率PCA、因子分析偏爱高斯先验以获得闭式解恰好相反。常见的非高斯先验在 0 附近峰度更高,因此 ICA 常用于学习稀疏特征。边界在于:多数 ICA 变种既不表示 p(h) 也无法从 p(x) 采样,本质上是盲源分离的分析工具(如从脑电中分离心眼伪迹),而非生成模型;其非线性推广有 NICE,通过可逆变换与易算的 Jacobian 行列式实现精确似然。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第13章 线性因子模型 · 查看原书依据
它是一种建模线性因子的方法,旨在将观察到的信号分离成许多潜在信号,这些潜在信号通过缩放和叠加可以恢复成观察数据。这些信号是完全独立的,而不是仅仅彼此不相关
参考来源
- 位置:《深度学习》第13章 线性因子模型(源文件:extracted/深度学习/_epub-src/text/part0005_split_000.html)
- 结论依据:原文说明 ICA 要求 p(h) 非高斯,否则 W 不可识别,并指出许多变种因不表示 p(h) 而不能成为生成模型。
- 原始内容:它是一种建模线性因子的方法,旨在将观察到的信号分离成许多潜在信号,这些潜在信号通过缩放和叠加可以恢复成观察数据。这些信号是完全独立的,而不是仅仅彼此不相关