Os autores propõem o OT-ICA, um novo algoritmo para Análise de Componentes Independentes Linear que mede a não-gaussianidade usando a distância de Wasserstein ao quadrado até uma gaussiana padrão em vez de funções de contraste proxy. Eles provam que essa distância é maximizada quando as projeções recuperam um componente independente e implementam o método por meio de otimização baseada em gradiente.

  • Substitui a otimização intratável de negentropia pela distância de Wasserstein ao quadrado $W_2^2$.
  • Maximiza a distância de Wasserstein entre uma normal padrão e projeções lineares de dados.
  • Supera métodos baseados em proxy em dados simulados através de diferentes distribuições de variáveis latentes.
  • Aplicado com sucesso à remoção de artefatos EEG e descoberta de preços econométricos sem suposições de distribuição.

O OT-ICA fornece uma alternativa viável para tarefas de ICA aplicada ao evitar a necessidade de suposições de distribuição exigidas por métodos clássicos.