AI 용어집
인공지능 완전 사전
ICA (Independent Component Analysis)
Méthode statistique de séparation aveugle de sources qui transforme un signal multivarié en composantes statistiquement indépendantes, maximisant la non-gaussianité des signaux extraits.
Séparation aveugle de sources
Technique d'extraction des signaux sources originaux à partir de mélanges observés sans connaissance préalable des caractéristiques des sources ou du processus de mélange.
Non-gaussianité
Propriété statistique fondamentale utilisée en ICA où les signaux sources suivent des distributions non-gaussiennes, permettant leur séparation par maximisation de cette caractéristique.
Algorithme FastICA
Algorithme itératif de point fixe populaire pour l'ICA, convergent rapidement et basé sur la maximisation de la non-gaussianité par des approximations de la négentropy.
Whitening (Blanchiment)
Prétraitement essentiel en ICA décorrélationnant et normalisant les données pour que les composantes aient une variance unitaire, simplifiant l'estimation de la matrice de séparation.
Matrice de mélange
Matrice linéaire inconnue représentant la combinaison des signaux sources observés, que l'ICA cherche à inverser pour récupérer les composantes originales indépendantes.
Négentropy
Mesure de distance par rapport à la distribution gaussienne utilisée en ICA comme critère d'optimisation, plus robuste que le kurtosis pour la séparation de sources.
Infomax
Principe d'optimisation en ICA maximisant l'information mutuelle entre l'entrée et la sortie d'un réseau neuronal, équivalent mathématique à la maximisation de la vraisemblance.
Ambigüité ICA
Limitation inhérente de l'ICA où l'ordre et l'échelle des composantes indépendantes extraites ne peuvent être déterminés de manière unique, seulement jusqu'à une permutation et un facteur d'échelle.
Algorithme JADE
Méthode ICA basée sur la diagonalisation conjointe de matrices de cumulants d'ordre quatre, particulièrement efficace pour les signaux avec des distributions symétriques.
Convergence ICA
Processus itératif d'ajustement de la matrice de séparation jusqu'à stabilisation des composantes indépendantes, conditionnée par le choix de la fonction de non-linéarité et des paramètres d'apprentissage.
Décorrélation spatiale
Processus d'élimination des dépendances linéaires second ordre entre variables, prérequis pour l'ICA qui recherche l'indépendance statistique complète (tous ordres).
Méthode de point fixe
Approche algorithmique itérative en ICA où chaque mise à jour ne dépend que de l'état précédent, garantissant une convergence rapide vers les composantes indépendantes optimales.
Fonction de non-linéarité
Fonction cruciale en ICA (tanh, gaussienne, cube) servant d'approximation de la négentropy et déterminant la sensibilité de l'algorithme aux différents types de distributions sources.
Séparation surdéterminée
Cas ICA où le nombre de capteurs excède le nombre de sources, nécessitant des techniques de réduction de dimensionnalité préalables comme l'ACP avant la séparation.
Vraisemblance maximale
Cadre statistique alternatif en ICA estimant les paramètres du modèle en maximisant la probabilité d'observer les données mélangées sous l'hypothèse d'indépendance des sources.