A method for sparse and robust independent component analysis
稀疏且稳健的独立成分分析方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主体是一般独立成分分析与稳健稀疏估计，因果图仅为示例，证据不足以归入所列专门方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
稀疏且稳健的独立成分分析方法
- 研究问题
- 如何在独立成分分析中同时获得稀疏载荷与稳健性，并为稀疏化方法的统计性质和稀疏程度选择提供依据？
- 方法与思路
- 作者将不变坐标选择改写为可加入 LASSO 型惩罚的形式，以稳健散布矩阵实现抗异常能力，并提出相应算法。
- 材料陈述的贡献
- 摘要提出稀疏不变坐标选择，给出一类方法的一致性与崩溃点结果，并以模拟、因果图示例及图形工具展示其使用。
- 阅读关注点
- 应核对散布矩阵的选择、稀疏惩罚与坐标变换的关系、一致性和崩溃点的具体条件，以及稀疏程度选择工具的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明定理条件和模拟数值，因果图示例也不足以确立通用因果识别。
原文摘要
This work presents sparse invariant coordinate selection, SICS, a new method for sparse and robust independent component analysis. SICS is based on classical invariant coordinate selection, which is presented in such a form that a LASSO-type penalty can be applied to promote sparsity. Robustness is achieved by using robust scatter matrices. In the first part of the paper, the background and building blocks: scatter matrices, measures of robustness, ICS and independent component analysis, are carefully introduced. Then the proposed new method and its algorithm are derived and presented. This part also includes consistency and breakdown point results for a general case of sparse ICS-like methods. The performance of SICS in identifying sparse independent component loadings is investigated with multiple simulations. The method is illustrated with an example in constructing sparse causal graphs and we also propose a graphical tool for selecting the appropriate sparsity level in SICS.