通过最优传输实现线性独立成分分析

基于摘要分析。本文研究如何从线性混合观测中恢复相互独立的源信号，提出 OT-ICA：以投影分布到标准高斯分布的平方 L₂-Wasserstein 距离（W₂²）衡量非高斯性，并通过梯度优化寻找独立成分。 传统 ICA 通过最大化非高斯性实现源分离；由于负熵的精确优化难以处理，通常采用四阶累积量或参数化对数似然等代理目标。本文改用最优传输距离。作者报告，其理论结果表明，当线性投影恢复独立成分时，投影分布与标准正态分布之间的 Wasserstein 距离达到最大。该结论的分布条件、预处理要求、投影约束及可辨识性边界，尚需结合正文验证。 作者报告，在覆盖不同潜变量分布的模拟数据评估中，OT-ICA 优于采用代理目标的方法；摘要未给出具体基线、评价指标、样本规模或数值，因此无法判断优势幅度及适用范围。作者还报告了 EEG 伪迹去除与计量经济学价格发现应用，并据此认为该方法可用于无需预设分布形式的实际 ICA 任务；这不应被理解为不需要线性混合或源独立性等建模前提。 对 EEG 的直接价值在于源分离及伪迹去除，而非已验证的 BCI 解码提升。EEG 数据来源、被试数、通道设置、伪迹类型、成分筛选流程、信号保真评价，以及实验协议、消融及统计信息尚未验证。复现时需核对 W₂² 的样本估计方式、梯度优化与收敛条件、计算开销，以及不同方法是否采用一致的预处理和评价流程。摘要未提供代码信息。