研究人员开发了一种新颖的方法，利用到标准高斯分布的平方 2-Wasserstein 距离来进行独立成分分析 (ICA) 和因果推断。该方法有效地识别 ICA 中的解混矩阵，并表征线性非高斯无环模型 (LiNGAM) 中的因果顺序。该研究引入了具有一致收敛界限的经验估计器，并提出了三种实用的求解器，分别用于 ICA、因果顺序搜索和一种贪婪变体，在实证评估中表现出有竞争力的性能。 AI
影响 引入了一种新颖的统计技术，可以增强机器学习在信号分离和因果发现方面的能力。
排序理由 该集群包含一篇研究论文，详细介绍了一种用于 ICA 和因果推断的新统计方法。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.12832v1 Announce Type: new Abstract: We study the squared $2$-Wasserstein distance to the standard Gaussian as a non-Gaussianity criterion and use it for linear Independent Component Analysis (ICA) and causal inference in Linear Non-Gaussian Acyclic Models (LiNGAM). Th…
We study the squared $2$-Wasserstein distance to the standard Gaussian as a non-Gaussianity criterion and use it for linear Independent Component Analysis (ICA) and causal inference in Linear Non-Gaussian Acyclic Models (LiNGAM). The analysis relies on a strict inequality between…