面向解混流的自足独立成分分析

arXiv:2512.00665v2 公告类型：replace-cross 摘要：我们研究利用非线性独立成分分析（ICA）从数据中学习解耦信号的问题。受自监督学习进展的启发，我们提出学习自足信号：给定一个恢复信号的其余取值，观测其他信号不应改变其缺失值的条件分布。我们将这一问题表述为最小化条件 KL 散度。我们的算法无需先验且无需似然，即既不规定参数化的源密度，也不规定观测似然。为解决 KL 散度最小化问题，我们提出一种序贯算法，在每次迭代中学习一个解混流模型；并证明，对于具有精确速度和总体投影条件的理想化 Wasserstein 梯度流变体，总相关性会局部下降。这种方法完全避免了不稳定的对抗训练，而后者是最小化 KL 散度时常见的问题。在玩具数据集和真实世界数据集上的实验表明，我们的方法是有效的。