arXiv cs.AI· Danru Xu, Lauri Parkkonen, Sara Magliacane, Aapo Hyv\"arinen·· 11 小时前AI 评分20
从多域线性混合中识别相关成分：MuDo-CoM 算法
Identifying Dependent Components from Multi-domain Linear Mixtures
AI 导读
研究提出多域线性混合模型，允许潜在成分之间存在依赖关系，各域仅通过成分的域特定缩放不同，而潜在成分分布跨域一致。在域变异性充分时，仅凭二阶统计量即可识别潜在变量与混合函数，据此提出的 Multi-Domain Covariance Matching（MuDo-CoM）算法推广了此前的联合对角化方法。MuDo-CoM 已在模拟数据和真实 fMRI 数据集上得到验证。
正文 · AI 翻译
摘要：我们研究一种具有相依潜在分量的线性混合模型，假设存在多个数据域。大多数现有模型假设各分量相互独立或至少不相关，这与独立成分分析（ICA）一致。一些近期工作允许相依分量，但随后做出特定假设，例如依赖关系的参数化形式、多视图设置或干预，或者无法恢复单个分量。相比之下，我们考虑一种多域设置，其中各域通过分量在域特定的缩放上有所不同，而底层潜在分量的分布在所有域中相同。这种方法可以对例如来自测量同一过程的不同传感器、进行同一实验的不同实验室、不同实验条件，或在生物或生理因素上可能有所不同的不同受试者所收集的数据进行建模。我们表明，在足够的域变异性下，仅凭二阶统计量即可识别潜在变量和混合函数。我们提出多域协方差匹配（MuDo-CoM）算法，它推广了先前的联合对角化方法。MuDo-CoM 在模拟数据和真实世界 fMRI 数据集上得到了验证。
| 评论： | 29 页，3 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28330 [cs.LG] |
| （或 arXiv:2610.28330v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28330 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | 第 43 届国际机器学习大会论文集，PMLR 306:141600-141628，2026 |
提交历史
来自：Danru Xu [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 15:01:03 UTC（1,371 KB）
来源：arXiv cs.AI · arxiv.org