用最优传输重写线性 ICA：OT-ICA 试图摆脱分布假设

导语

独立成分分析（ICA）是信号处理和机器学习中的经典问题：当我们只能观察到若干源信号的线性混合时，能否把这些彼此独立的“原始成分”重新分离出来？近日，Ashutosh Jha、Michel Besserve 与 Simon Buchholz 在 arXiv 上提交的论文《Linear Independent Component Analysis via Optimal Transport》给出了一个新的切入点：不再依赖传统的非高斯性代理函数，而是用最优传输中的 Wasserstein 距离来定义目标。

核心要点

• 重新定义非高斯性度量：传统 ICA 往往以负熵为理论目标，但精确优化负熵通常不可行，因此实际算法会使用四阶累积量、参数化对数似然等代理对比函数。论文提出使用数据线性投影分布与标准高斯分布之间的平方 Wasserstein 距离 $W_2^2$，作为衡量非高斯性的标准。

• 给出理论连接：作者证明，在考虑数据线性投影时，标准正态分布与投影分布之间的 Wasserstein 距离会在投影恢复某个独立成分时达到最大。这为“最大化非高斯性以恢复独立源”的 ICA 思路提供了一个基于最优传输的新表述。

• 提出 OT-ICA 算法：基于上述观察，论文设计了 OT-ICA，通过梯度式优化寻找能够最大化该 Wasserstein 距离的投影方向。与依赖特定分布假设或低阶统计量代理的方法相比，OT-ICA 的目标更直接地对应论文给出的理论判据。

• 实验覆盖多类场景：作者在模拟数据上比较了不同潜在变量分布下的表现，结果显示 OT-ICA 优于若干代理目标方法。论文还将其用于 EEG 伪迹去除和计量经济学中的价格发现任务，说明该方法有望用于实际 ICA 场景。

意义与影响

这项工作的价值在于，它把 ICA 中长期存在的“非高斯性如何度量”问题转化为一个最优传输距离最大化问题。对于需要盲源分离的应用而言，减少对分布形式的预设尤其重要：真实信号往往并不满足简单的参数化假设，而代理统计量也可能在不同分布下表现不稳定。

当然，论文摘要并未展开算法复杂度、可扩展性或与更多现代方法的全面比较，这些仍需要阅读正文和后续实验来判断。但从思路上看，OT-ICA 为经典 ICA 提供了一条清晰的新路线：用 Wasserstein 几何替代手工代理对比函数，在理论目标和可优化算法之间搭起桥梁。

来源：arXiv