第十二部分 独立成分分析（Independent Components Analysis ） 接下来我们要讲的主体是独立成分分析（Independent Components Analysis，缩写为 ICA）。这个方法和主成分分析（PCA）类似，也是要找到一组新的基向量（basis）来表征（represent）样本数据。然而，这两个方法的目的是非常不同的。
还是先用“鸡尾酒会问题（cocktail party problem）”为例。在一个聚会场合中，有 $n$ 个人同时说话，而屋子里的任意一个话筒录制到底都只是叠加在一起的这 $n$ 个人的声音。但如果假设我们也有 $n$ 个不同的话筒安装在屋子里，并且这些话筒与每个说话人的距离都各自不同，那么录下来的也就是不同的组合形式的所有人的声音叠加。使用这样布置的 $n$ 个话筒来录音，能不能区分开原始的 $n$ 个说话者每个人的声音信号呢？
把这个问题用方程的形式来表示，我们需要先假设有某个样本数据 $s \in R^n$ ，这个数据是由 $n$ 个独立的来源（independent sources）生成的。我们观察到的则为：
$$x = As,$$
上面式子中的 $A$ 是一个未知的正方形矩阵（square matrix），叫做混合矩阵（mixing matrix）。 通过重复的观察，我们就得到了训练集 ${x^{(i)} ; i = 1, . . . , m}$ ，然后我们的目的是恢复出生成这些样本 $x^{(i)} = As^{(i)}$ 的原始声音源 $s^{(i)}$ 。
在咱们的“鸡尾酒会问题”中，$s^{(i)}$ 就是一个 $n$ 维度向量，而 $s_j^{(i)}$ 是第 $j$ 个说话者在第 $i$ 次录音时候发出的声音。$x^{(i)}$ 同样也是一个 $n$ 维度向量，而 $x_j^{(i)}$ 是第 $j$ 个话筒在第 $i$ 次录制到的声音。
设混合矩阵 $A$ 的逆矩阵 $W = A^{-1}$ 是混合的逆向过程，称之为还原矩阵（unmixing matrix）。 那么咱们的目标就是找出这个 $W$ ，这样针对给定的话筒录音 $x^{(i)}$ ，我们就可以通过计算 $s^{(i)} = Wx^{(i)}$ 来还原出来声音源。为了方便起见，我们就用 $w_i^T$ 来表示 $W$ 的第 $i$ 行，这样就有：
$$
w=\begin{bmatrix}
-w_1^T- \\
\vdots \\
-w_n^T-
\end{bmatrix}
$$
这样就有 $w_i \in R^n$ ，通过计算 $s_j^{(i)} = w_j^T x^{(i)}$ 就可以恢复出第 $j$ 个声源了。
1 独立成分分析（ICA）的模糊性（ambiguities） $W = A^{-1}$ 能恢复到怎样的程度呢？如果我们对声源和混合矩阵都有预先的了解（prior knowledge），那就不难看出，混合矩阵 $A$ 当中存在的某些固有的模糊性，仅仅给定了 $x^{(i)}$ 可能无法恢复出来。
例如，设 $p$ 是一个 $n×n$ 的置换矩阵（permutation matrix）。这就意味着矩阵 $P$ 的每一行和每一列都只有一个 $1$ 。下面就是几个置换矩阵的样例：
$$
P=\begin{bmatrix}
0&1&0 \\
1&0&0 \\
0&0&1
\end{bmatrix};\quad
P=\begin{bmatrix}
0&1 \\
1&0
\end{bmatrix};\quad
P=\begin{bmatrix}
1&0 \\
0&1
\end{bmatrix}
$$
如果 $z$ 是一个向量，那么 $Pz$ 就是另外一个向量，这个向量包含了 $z$ 坐标的置换版本（permuted version）。如果只给出 $x^{(i)}$ ，是没有办法区分出 $W$ 和 $PW$ 的。具体来说，原始声源的排列（permutation）是模糊的（ambiguous），这一点也不奇怪。好在大多数情况下，这个问题都并不重要。
进一步来说，就是没有什么办法能恢复出 $w_i$ 的正确的缩放规模。例如，如果把$A$ 替换成了 $2A$ ，那么每个 $s^{(i)}$ 都替换成了 $(0.5)s^{(i)}$ ，那么观测到的 $x^{(i)} = 2A · (0.5)s^{(i)}$ 还是跟原来一样的。再进一步说，如果 $A$ 当中的某一列，都用一个参数 $\alpha$ 来进行缩放，那么对应的音源就被缩放到了 $1/\alpha$ ，这也表明，仅仅给出 $x^{(i)}$ ，是没办法判断这种情况是否发生的。因此，我们并不能还原出音源的“正确”缩放规模。然而，在我们应用的场景中，例如本文提到的这个“鸡尾酒会问题”中，这种不确定性并没有关系。具体来说，对于一个说话者的声音信号 $s^{(i)}$ 的缩放参数 $\alpha$ 只影响说话者声音的大小而已。另外，符号变换也没有影响，因为$s_j^{(i)}$ 和 $-s_j^{(i)}$ 都表示了扬声器中同样的声音大小。所以，如果算法找到的 $w_i$ 被乘以任意一个非零数进行了缩放，那么对应的恢复出来的音源 $s_i = w_i^T x$ 也进行了同样的缩放；这通常都不要紧。（这些考量也适用于课堂上讨论的对 Brain/MEG 数据使用的 ICA 算法。）
上面这些是 ICA 算法模糊性的唯一来源么？还真是这样，只要声源 $s_i$ 是非高斯分布（non-Gaussian）的即可。如果是高斯分布的数据（Gaussian data），例如一个样本中，$n = 2$，而 $s\sim N(0,I)$ 。（译者注：即 $s$ 是一个以 $0$ 和 $I$ 为参数的正态分布，正态分布属于高斯分布） 其中的 $I$ 是一个 $2×2$ 的单位矩阵（identity matrix）。要注意，这是一个标准正态分布，其密度（density）轮廓图（contour）是以圆点为中心的圆，其密度是旋转对称的（rotationally symmetric）。
接下来，假如我们观测到了某个 $x = As$ ，其中的$A$ 就是混合矩阵（mixing matrix）。这样得到的 $x$ 也是一个高斯分布的，均值为 $0$ ，协方差 $E[xx^T ] = E[Ass^T A^T ] = AA^T$ 。 然后设 $R$ 为任意的正交矩阵（不太正式地说，也可以说成是旋转（rotation）矩阵或者是反射（reflection）矩阵），这样则有 $RR^T = R^TR = I$ ，然后设 $A' = AR$ 。如果使用 $A'$ 而不是 $A$ 作为混合矩阵，那么观测到的数据就应该是 $x' = A's$ 。这个 $x'$ 也还是个高斯分布，依然是均值为 $0$ ，协方差为 $E[x'(x')^T ] = E[A'ss^T (A')^T ] = E[ARss^T (AR)^T ] = ARR^T A^T = AA^T$ 。看到没，无论混合矩阵使用 $A$ 还是 $A'$ ，得到的数据都是一个正态分布 $N (0, AA^T )$ （以 0 为均值，协方差为 $AA^T$ ） 。这样就根本不能区分出来混合矩阵使用的是 $A$ 还是 $A'$ 。所以，只要混合矩阵中有一个任意的旋转分量（arbitrary rotational component），并且不能从数据中获得，那么就不能恢复出原始数据源了。
上面这些论证，是基于多元标准正态分布（multivariate standard normal distribution）是旋转对称（rotationally symmetric）的这个定理。这些情况使得 ICA 面对高斯分布的数据（Gaussian data）的时候很无力，但是只要数据不是高斯分布的，然后再有充足的数据，那就还是能恢复出 $n$ 个独立的声源的。
2 密度（Densities）和线性变换（linear transformations） 在继续去推导 ICA 算法之前，我们先来简要讲一讲对密度函数进行线性变换的效果（effect）。
加入我们有某个随机变量 $s$ ，可以根据某个密度函数 $p_s(s)$ 来绘制。简单起见，咱们现在就把 $s$ 当做是一个实数，即 $s \in R$ 。然后设 $x$ 为某个随机变量，定义方式为 $x = As$ （其中 $x \in R, A \in R$ ）。然后设 $p_x$ 是 $x$ 的密度函数。那么这个 $p_x$ 是多少呢？
设 $W = A^{-1}$ 。要计算 $x$ 取某一个特定值的“概率（probability）”，可以先计算对于 $s = Wx$ ，在这一点上的 $p_s$ ，然后推导出$“p_x(x) = p_s(Wx)”$。然而，这是错误的。例如，假设 $s\sim Uniform[0, 1]$ ，即其密度函数 $p_s(s) = 1{0 ≤ s ≤ 1}$ 。然后设 $A = 2$ ，这样 $x = 2s$ 。很明显， $x$ 在 $[0,2]$ 这个区间均匀分布（distributed uniformly）。所以其密度函数也就是 $p_x(x) = (0.5)1{0 ≤ x ≤ 2}$ 。这并不等于 $p_s(W x)$ ，其中的 $W = 0.5 = A^{-1}$ 。所以正确的推导公式应该是 $p_x(x) = p_s(Wx)|W|$ 。
推广一下，若 $s$ 是一个向量值的分布，密度函数为 $p_s$ ，而 $x = As$ ，其中的 $A$ 是一个可逆的正方形矩阵，那么 $x$ 的密度函数则为：
$$
px(x) = p_s(Wx) · |W|
$$
上式中 $W = A^{-1}$ 。
Remark. If you’ve seen the result that A maps [0, 1]n to a set of volume |A|, then here’s another way to remember the formula for px given above, that also generalizes our previous 1-dimensional example.
备注。 可能你已经看到了用 $A$ 映射 $[0, 1]^n$ 得到的就是一个由 $volume |A|$ 组成的集合（译者注：这里的 volume 我不确定该怎么翻译），然后就又有了一个办法可以记住上面给出的关于 $p_x$ 的公式了，这也是对之前讨论过的 $1$ 维样例的一个泛化扩展。具体来说，设给定了 $A \in R^{n×n}$ ，然后还按照惯例设 $W = A^{-1}$ 。接着设 $C_1 = [0, 1]^n$ 是一个 $n$ 维度超立方体，然后设 $C_2 ={As:s\in C1}\subseteq R^n$ 为由 $A$ 给定的映射下的 $C_1$ 的投影图像。这就是线性代数里面，用 $|A|$ 来表示 $C_2$ 的体积的标准结果，另外也是定义行列式（determinants）的一种方式。接下来，设 $s$ 在 $[0, 1]^n$ 上均匀分布（uniformly distributed），这样其密度函数为 $p_s(s) = 1{s \in C_1}$ 。然后很明显，$x$ 也是在 $C_2$ 内均匀分布（uniformly distributed）。因此可以知道其密度函数为 $p_x(x) = 1{x \in C_2}/vol(C_2)$ ，必须在整个 $C_2$ 累积为$1$（integrate to $1$ ，这是概率的性质）。但利用逆矩阵的行列式等于行列式的倒数这个定理，就有了 $1/vol(C_2) = 1/|A| = |A^{-1}| = |W|$ 。所以则有 $p_x(x) = 1{x \in C_2}|W| = 1{Wx \in C_1}|W | = p_s(W x)|W |$ 。
3 独立成分分析算法（ICA algorithm） 现在就可以推导 ICA 算法了。我们这里描述的算法来自于 Bell 和 Sejnowski，然后我们对算法的解释也是基于他们的算法，作为一种最大似然估计（maximum likelihood estimation）的方法。（这和他们最初的解释不一样，那个解释里面要涉及到一个叫做最大信息原则（infomax principal） 的复杂概念，考虑到对 ICA 的现代理解，推导过程已经不需要那么复杂了。）
我们假设每个声源的分布 $s_i$ 都是通过密度函数 $p_s$ 给出，然后联合分布 $s$ 则为：
$$
p(s)=\prod_{i=1}^n p_s(s_i)
$$
这里要注意，通过在建模中将联合分布（joint distribution）拆解为边界分布（marginal）的乘积（product），就能得出每个声源都是独立的假设（assumption）。利用上一节推导的共识，这就表明对 $x = As = W^{-1}s$ 的密度函数为：
$$
p(s)=\prod_{i=1}^n p_s(w_i^T x)\cdot |w|
$$
剩下的就只需要去确定每个独立的声源的密度函数 $p_s$ 了。
回忆一下，给定某个实数值的随机变量 $z$ ，其累积分布函数（cumulative distribution function，cdf）$F$ 的定义为$F(z_0)=P(z\le z_0)=\int_{-\infty}^{z_0}p_z(z)dz$。然后，对这个累积分布函数求导数，就能得到 z 的密度函数：$p_z(z) = F'(z)$。
因此，要确定 $s_i$ 的密度函数，首先要做的就是确定其累积分布函数（cdf）。这个 $cdf$ 函数必然是一个从 $0$ 到 $1$ 的单调递增函数。根据我们之前的讨论，这里不能选用高斯分布的 $cdf$ ，因为 ICA 不适用于高斯分布的数据。所以这里我们选择一个能够保证从 $0$ 增长到 $1$ 的合理的“默认（default）” 函数就可以了，比如 $s$ 形函数（sigmoid function） $g(s) = 1/(1 + e^{-s})$ 。这样就有，$p_s(s) = g'(s)$。$^1$
1 如果你对声源的密度函数的形式有了事先的了解，那么在这个位置替换过来就是个很好的办法。不过如果没有这种了解，就可以用 $s$ 形函数（sigmoid function），可以把这个函数当做是一个比较合理的默认函数，在很多问题中，这个函数用起来效果都不错。另外这里讲述的是假设要么所有的数据 $x^{(i)}$ 已经被证明均值为 $0$ ，或者可以自然预期具有 $0$ 均值，比如声音信号就是如此。这很有必要，因为我们的假设 $p_s(s) = g'(s)$ 就意味着期望 $E[s] = 0$ （这个逻辑函数（logistic function）的导数是一个对称函数，因此给出的就是均值为 $0$ 的随机变量对应的密度函数），这也意味着 $E[x] = E[As] = 0$ 。
$W$ 是一个正方形矩阵，是模型中的参数。给定一个训练集合 ${x^{(i)};i = 1,...,m}$ ，然后对数似然函数（log likelihood）则为：
$$
l(W)=\sum_{i=1}^m(\sum_{j=1}^n log g'(w_j^Tx^{(i)})+log|W|))
$$
我们要做的就是上面这个函数找出关于 $W$ 的最大值。通过求导，然后利用前面讲义中给出的定理 $\nabla_W|W| = |W|(W^{-1})^T$ ，就可以很容易推导出随机梯度上升（stochastic gradient ascent）学习规则（leaR^ning rule）。对于一个给定的训练样本 $x^{(i)}$ ，这个更新规则为：
$$
W:=W+\alpha\begin{pmatrix}
\begin{bmatrix}
1-2g(w_1^T x^{(i)}) \\
1-2g(w_2^T x^{(i)}) \\
\vdots \\
1-2g(w_n^T x^{(i)})
\end{bmatrix}x^{(i)T} + (W^T)^{-1}
\end{pmatrix}
$$
上式中的 $\alpha$ 是学习速率（leaR^ning rate）。
在算法收敛（converges）之后，就能计算出 $s^{(i)} = Wx^{(i)}$ ，这样就能恢复出原始的音源了。
备注。 在写下数据的似然函数的时候，我们隐含地假设了这些 $x^{(i)}$ 都是彼此独立的（这里指的是对于不同的 $i$ 值来说彼此独立；注意这个问题并不是说 $x^{(i)}$ 的不同坐标是独立的），这样对训练集的似然函数则为$\prod_i p(x^{(i)};W)$。很显然，对于语音数据和其他 $x^{(i)}$ 有相关性的时间序列数据来说，这个假设是不对的，但是这可以用来表明，只要有充足的数据，那么有相关性的训练样本并不会影响算法的性能。但是，对于成功训练的样本具有相关性的问题，如果我们把训练样本当做一个随机序列来进行访问，使用随机梯度上升（stochastic gradient ascent）的时候，有时候也能帮助加速收敛。（也就是说，在训练集的一个随机打乱的副本中运行随机梯度上升。）