Para penulis mengusulkan OT-ICA, sebuah algoritma baru untuk Analisis Komponen Independen Linier yang mengukur non-Gaussianitas menggunakan jarak Wasserstein kuadrat ke Gaussian standar alih-alih fungsi kontras proksi. Mereka membuktikan bahwa jarak ini dimaksimalkan ketika proyeksi memulihkan komponen independen dan mengimplementasikan metode tersebut melalui optimisasi berbasis gradien.
- Menggantikan optimisasi negentropi yang tidak dapat dihitung dengan jarak Wasserstein kuadrat $W_2^2$.
- Memaksimalkan jarak Wasserstein antara normal standar dan proyeksi data linier.
- Mengungguli metode berbasis proksi pada data simulasi di berbagai distribusi variabel laten.
- Berhasil diterapkan pada penghapusan artefak EEG dan penemuan harga ekonometrik tanpa asumsi distribusi.
OT-ICA menyediakan alternatif yang layak untuk tugas ICA terapan dengan menghindari kebutuhan akan asumsi distribusi yang diperlukan oleh metode klasik.