本文介绍: 本文是对On the Identifiability of Nonlinear ICA: Sparsity and Beyond (NIPS 2022)中两个结构稀疏假设的总结。原文链接在Reference中。独立成分分析简单来说，就是给定很多的样本X，通过样本分离出组合成样本的源S。关于ICA的详细内容，可以参考Yifan Shen的博客：ICA简明攻略非线性独立成分分析（ICA）旨在从其可观测的非线性混合物中恢复潜在的独立源。非线性独立成分分析（ICA）是无监督学习的基础。它推广了线性ICA（Comon
0，(7)
根据（1），
U
^
hat{U}
U^应该是最小值，而（7）说明当
U
^
≠
D
P
hat{U} neq DP
U^=DP时，
U
^
hat{U}
U^ 不是最小值。与定义相违背。因此证明
U
^
=
D
P
hat{U} = DP
U^=DP，也就是
A
^
=
A
D
P
hat{A} = ADP
A^=ADP成立。
Reference
- Zheng, Yujia, Ignavier Ng, and Kun Zhang. “On the identifiability of nonlinear ica: Sparsity and beyond.” Advances in Neural Information Processing Systems 35 (2022): 16411-16422.
原文地址:https://blog.csdn.net/qq_43426078/article/details/134566566
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_2031.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
