作者提出了OT-ICA，一种用于线性独立成分分析的新算法，它使用到标准高斯分布的平方Wasserstein距离来测量非高斯性，而不是代理对比函数。他们证明，当投影恢复出独立分量时，该距离达到最大，并通过基于梯度的优化实现了该方法。

  • 用平方Wasserstein距离 $W_2^2$ 替换了难以处理的负熵优化。
  • 最大化标准正态分布与线性数据投影之间的Wasserstein距离。
  • 在不同潜变量分布的模拟数据上，优于基于代理的方法。
  • 成功应用于EEG伪影去除和经济计量价格发现，无需分布假设。

OT-ICA通过避免经典方法所需的分布假设，为应用的ICA任务提供了一种可行的替代方案。