知识卡片：基于最优传输的线性独立成分分析

一句话结论

本文提出一种基于平方Wasserstein距离来衡量非高斯性的新ICA算法OT-ICA，证明最大化数据投影与标准正态分布之间的Wasserstein距离等价于恢复独立成分，在模拟数据和实际应用（EEG伪影去除、计量经济价格发现）中均优于传统代理方法。

事件概述或研究问题

线性独立成分分析（ICA）旨在从线性混合信号中恢复相互独立的源信号。经典ICA算法通过最大化非高斯性（用负熵衡量）来实现，但精确的负熵优化在计算上不可行，因此依赖代理对比函数（如四阶累积量）和参数化对数似然。本文提出直接使用平方Wasserstein距离 $W_2^2$ 作为非高斯性度量，规避了对代理函数的依赖。

方法/产品要点

• 核心理论：证明线性投影数据与标准高斯分布之间的Wasserstein距离在投影分量恢复独立成分时达到最大。
• OT-ICA算法：基于上述结论，通过梯度优化寻找最大化Wasserstein距离的投影方向，从而逐个提取独立成分。
• 无需分布假设：与基于参数化对数似然的方法不同，OT-ICA不需要预先假设源信号的分布形式。

主要结果或产业意义

• 模拟实验：针对不同分布的潜变量，OT-ICA在恢复精度上超越使用四阶累积量等代理的传统方法。
• EEG伪影去除：在脑电信号中成功分离眼电等伪影成分，无需调整分布假设。
• 计量经济价格发现：将ICA应用于金融价格序列的独立成分提取，验证了算法的通用性。

为什么重要

• 为ICA提供了一种新的、理论严谨的非高斯性度量方式，避免了传统代理函数的近似误差。
• 该方法无需预设源信号的分布类型，扩展了ICA在真实场景（如生物信号、金融数据）中的适用性。
• 将最优传输理论与独立成分分析联系起来，为后续研究开辟了新方向。

局限与不确定性

• 待核实：平方Wasserstein距离的计算复杂度及其在大规模高维数据上的扩展性在摘要中未提及。
• 待核实：算法对噪声和欠定混合条件的鲁棒性尚需进一步验证。
• 待核实：与非负矩阵分解等其他盲源分离方法的对比结果未在摘要中给出。

可用于图书/PPT/简报的角度

• 介绍ICA的发展史：从负熵到Wasserstein距离。
• 最优传输在信号处理中的新应用（可作为案例）。
• 如何用数学优化视角改进经典统计方法。

英文标题与关键词

Title: Linear Independent Component Analysis via Optimal Transport
Keywords: Independent Component Analysis, Optimal Transport, Wasserstein distance, non-Gaussianity, OT-ICA

原始材料

• arXiv: 2607.14081v1
• 作者：Ashutosh Jha, Michel Besserve, Simon Buchholz
• 发布时间：2026-07-15