Bağımsız Bileşen Analizi (BBA)
Independent Component Analysis (ICA) · Ayrıca şöyle bilinir: ICA, blind source separation, BSS, FastICA, independent components
Bağımsız Bileşen Analizi (BBA), çok değişkenli bir sinyali, istatistiksel olarak bağımsız, toplamsal alt bileşenlere ayırmak için kullanılan hesaplamalı bir yöntemdir. Pierre Comon tarafından 1994 yılında biçimselleştirilen BBA, kör kaynak ayırma (blind source separation) için temel çerçeve haline gelmiş ve nörogörüntüleme (fMRI, EEG), konuşma işleme ve biyomedikal sinyal analizinde yaygın olarak uygulanmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
BBA, verilerin istatistiksel olarak bağımsız, Gaussçu olmayan kaynak sinyallerinin doğrusal bir karışımı olduğuna inanıldığında ve karıştırma süreci hakkında ön bilgi olmadan altta yatan kaynakları kurtarmak amaçlandığında uygundur. EEG ve fMRI artefakt temizleme, konuşma ve ses kaynak ayırma ve yüksek boyutlu sensör verilerinde keşifsel özellik ayrıştırma için çok uygundur. Temel varsayımlar şunlardır: (1) kaynaklar karşılıklı olarak istatistiksel olarak bağımsızdır, (2) en fazla bir kaynak Gaussçudur ve (3) karıştırma doğrusal ve anlıktır. BBA, kaynaklar Gaussçu olduğunda, kaynak sayısı gözlemlenen karışım sayısını aştığında veya temel amaç varyans maksimizasyonu ile boyut azaltma olduğunda (bunun yerine PCA kullanın) uygun değildir. Genellikle en az 100 gözlemden oluşan bir örneklem büyüklüğü önerilir; nörogörüntüleme uygulamaları tipik olarak binlerce zaman noktası gerektirir.
Güçlü yönler & sınırlılıklar
- Etiketli eğitim verisi veya karıştırma süreci hakkında ön bilgi olmadan istatistiksel olarak bağımsız gizli kaynakları kurtarır.
- PCA ve faktör analizinin göz ardı ettiği daha yüksek dereceli istatistiksel yapıyı (Gaussçuluk dışılığı) yakalar, birçok sinyal işleme uygulamasında daha yorumlanabilir bileşenler elde eder.
- HızlıBBA (FastICA), kübik olarak yakınsar ve fMRI hacimleri gibi yüksek boyutlu verilere iyi ölçeklenir.
- Nörogörüntülemede yaygın olarak doğrulanmıştır: BBA, dinlenme durumu ağlarının tanımlanması ve EEG artefakt ayrıştırması için standart yöntemdir.
- Model, hafif koşullar altında tanımlanabilirdir (permütasyon ve ölçek dışında), teorik olarak temellendirilmiş benzersizlik garantileri verir.
- Doğrusal, anlık karıştırmayı varsayar; uzantılar olmadan konvolüsyonel veya doğrusal olmayan karışımları işlemez.
- Gözlemlenen kanal sayısından daha fazla bağımsız bileşen kurtaramaz (yalnızca kare veya aşırı belirlenmiş karıştırma).
- Bileşenler yalnızca permütasyon ve işaret (sign) açısından belirlenir, bu da sonradan etiketleme ve potansiyel işaret düzeltmesi gerektirir.
- Karışımdaki en fazla bir Gaussçu kaynak olabilir; kaynaklar Gaussçu olduğunda yöntem tanımlanabilir şekilde başarısız olur.
- Sonuçlar, doğrusal olmayanlığın (kontrast fonksiyonu) seçimine ve ilk PCA adımından sonra tutulan bileşen sayısına duyarlı olabilir.
SSS
BBA, PCA'dan nasıl farklıdır?
PCA, maksimum varyansın dik yönlerini bulur ve yalnızca ikinci dereceden istatistikleri (kovaryans) kullanır. BBA, istatistiksel olarak bağımsız bileşenleri arayarak daha ileri gider, Gaussçuluk dışılığını yakalamak için daha yüksek dereceli istatistikleri kullanır. PCA bileşenleri ilişkisizdir ancak bağımsız değildir; BBA bileşenleri mümkün olduğunca bağımsızdır. Pratikte, BBA genellikle PCA beyazlatmasından sonra çalıştırılır, BBA bağımsız yönleri çıkarırken boyut azaltmak için PCA kullanılır.
Kaç bileşen çıkarmalıyım?
BBA'yı çalıştırmadan önce bileşen sayısı seçilmelidir. Yaygın bir strateji, önce PCA uygulamak ve belirli bir varyans oranını (örneğin, %90–95) açıklamak için yeterli sayıda ana bileşeni tutmak, ardından bunlara BBA çalıştırmaktır. Nörogörüntülemede, minimum tanımlama uzunluğu (MDL) veya Laplace yaklaşımı gibi otomatik sıra seçme yöntemleri kullanılır. Çok fazla bileşen çıkarmak kaynakların bölünmesine; çok az çıkarmak ise farklı kaynakların birleşmesine yol açar.
BBA doğrusal olmayanlığın seçimine duyarlı mıdır?
Evet, orta derecede. HızlıBBA (FastICA) birkaç kontrast fonksiyonu sunar: tanh (süper-Gaussçu, seyrek kaynaklar için uygundur), küp (alt-Gaussçu kaynaklar için) ve Gaussçu (sağlam, genel amaçlı bir seçim). Çoğu sinirbilim uygulamasında, tanh veya Gaussçu doğrusal olmayanlık iyi çalışır. Yakınsama yavaşsa veya bileşenler makul görünmüyorsa, kontrast fonksiyonunu değiştirmek mantıklı bir teşhis adımıdır.
BBA zaman serisi olmayan verilere uygulanabilir mi?
Evet. BBA yalnızca verilerin bağımsız kaynakların doğrusal karışımları olarak modelleneceğini gerektirir; gözlemlerin zaman noktaları olmasını gerektirmez. Doğal görüntü yamalarına (burada bağımsız bileşenler Gabor filtrelerine benzer), gen ifadesi matrislerine ve spektroskopik verilere uygulanmıştır. Bağımsızlık varsayımı, veri yapısı için makul olmalıdır.
Kaynaklar
- Comon, P. (1994). Independent component analysis, a new concept? Signal Processing, 36(3), 287–314. DOI: 10.1016/0165-1684(94)90029-9 ↗
- Hyvärinen, A., Karhunen, J., & Oja, E. (2001). Independent Component Analysis. Wiley. ISBN: 978-0-471-40540-5
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Independent Component Analysis (ICA). ScholarGate. https://scholargate.app/tr/machine-learning/independent-component-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- Negatif Olmayan Matris Ayrıştırması (NMF)Makine öğrenmesi↔ karşılaştır
- Tekil Değer AyrıştırmasıSayısal yöntemler↔ karşılaştır