Les auteurs proposent OT-ICA, un nouvel algorithme pour l'Analyse en Composantes Indépendantes linéaire qui mesure la non-gaussianité à l'aide de la distance de Wasserstein au carré vers une gaussienne standard, au lieu de fonctions de contraste approximatives. Ils démontrent que cette distance est maximisée lorsque les projections récupèrent un composant indépendant et implémentent la méthode par optimisation basée sur le gradient.
- Remplace l'optimisation de la négentropie intraitable par la distance de Wasserstein au carré $W_2^2$.
- Maximise la distance de Wasserstein entre la normale standard et les projections linéaires des données.
- Surpasse les méthodes basées sur des approximations sur des données simulées pour différentes distributions de variables latentes.
- Appliqué avec succès à l'élimination des artefacts EEG et à la découverte des prix économétriques sans hypothèses distributionnelles.
OT-ICA fournit une alternative viable pour les tâches d'ICA appliquée en évitant le besoin d'hypothèses distributionnelles requises par les méthodes classiques.