เปรียบเทียบวิธี

	การวิเคราะห์องค์ประกอบอิสระ (Independent Component Analysis - ICA)	การแยกตัวประกอบเมทริกซ์ไม่เป็นลบ (NMF)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	1994	1999
ผู้ริเริ่ม	Comon, P.	Lee, D. D. & Seung, H. S.
ประเภท	Blind source separation / latent-structure decomposition	Matrix decomposition with non-negativity constraints
แหล่งต้นตำรับ	Comon, P. (1994). Independent component analysis, a new concept? Signal Processing, 36(3), 287–314.	Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791.
ชื่อเรียกอื่น	ICA, blind source separation, BSS, FastICA	NMF, NNMF, nonnegative matrix factorization, non-negative matrix approximation
ที่เกี่ยวข้อง	3	4
สรุป	Independent Component Analysis (ICA) is a computational method for separating a multivariate signal into additive, statistically independent subcomponents. Formalized by Pierre Comon in 1994, ICA became the foundational framework for blind source separation and is widely applied in neuroimaging (fMRI, EEG), speech processing, and biomedical signal analysis.	Non-negative Matrix Factorization (NMF) is a family of algorithms, introduced by Lee and Seung in their landmark 1999 Nature paper, that decomposes a non-negative data matrix V into the product of two lower-rank non-negative matrices W (basis components) and H (encoding coefficients). Unlike PCA or SVD, the non-negativity constraint forces the algorithm to learn strictly additive, parts-based representations, making the factors directly interpretable as building blocks of the original data.