ترجمه فارسی مقاله در مورد قابلیت شناسایی ICA پراکنده بدون فرض غیر گاوسی بودن

چکیده

Independent component analysis (ICA) is a fundamental statistical tool used to reveal hidden generative processes from observed data. However, traditional ICA approaches struggle with the rotational invariance inherent in Gaussian distributions, often necessitating the assumption of non-Gaussianity in the underlying sources. This may limit their applicability in broader contexts. To accommodate Gaussian sources, we develop an identifiability theory that relies on second-order statistics without imposing further preconditions on the distribution of sources, by introducing novel assumptions on the connective structure from sources to observed variables. Different from recent work that focuses on potentially restrictive connective structures, our proposed assumption of structural variability is both considerably less restrictive and provably necessary. Furthermore, we propose two estimation methods based on second-order statistics and sparsity constraint. Experimental results are provided to validate our identifiability theory and estimation methods.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل مؤلفه مستقل (ICA) یک ابزار اساسی آماری است که برای آشکار کردن فرآیندهای تولیدی پنهان از داده های مشاهده شده استفاده می شود.با این حال ، ICA سنتی نزدیک به مبارزه با تغییر چرخشی ذاتی در توزیع گاوسی ، که اغلب نیاز به فرض غیر گازی بودن در منابع اساسی دارد.این ممکن است کاربرد آنها را در زمینه های گسترده تر محدود کند.برای تأمین منابع گاوسی ، ما یک تئوری شناسایی را ایجاد می کنیم که به آمار مرتبه دوم بدون تحمیل پیش شرط های بیشتر در مورد توزیع منابع ، با معرفی فرضیات جدید در مورد ساختار همبند از منابع به متغیرهای مشاهده شده متکی است.متفاوت از کار اخیر که بر ساختارهای همبند بالقوه محدود کننده متمرکز است ، فرض پیشنهادی ما از تنوع ساختاری هم به میزان قابل توجهی کمتر محدود کننده است و هم قابل اثبات است.علاوه بر این ، ما دو روش تخمین را بر اساس آمار مرتبه دوم و محدودیت کمبود پیشنهاد می کنیم.نتایج تجربی برای تأیید نظریه شناسایی و روشهای تخمین ما ارائه شده است.