独立成分分析とは？

独立成分分析（Independent Component Analysis、略称ICA）とは、観測された多変量データが、互いに統計的に独立な複数の潜在信号（独立成分）の線形混合であると仮定し、その元の信号を分離・推定する統計的手法です。1990年代に盛んに研究が進み、信号処理・機械学習・神経科学などの分野で広く使われています。

ICAの代表的な例として「カクテルパーティー問題」があります。複数のマイクが複数の話者の声を同時に録音した場合、各マイクには複数の声が混在します。ICAはこの混合録音データから元の各話者の声を分離することができます。

ICAが依拠する重要な仮定と特徴は以下のとおりです。

• 独立成分は互いに統計的に独立である（同時確率が周辺確率の積に等しい）
• 独立成分のうち高々1つだけがガウス分布に従う（非ガウス性を利用して分離する）
• 主成分分析（PCA）が無相関性を仮定するのに対し、ICAはより強い独立性を仮定する
• 混合行列の逆変換（分離行列）を推定することが目的

代表的なアルゴリズムとしてはFastICAやInfomaxが知られており、脳波（EEG）・脳磁図（MEG）のアーティファクト除去、fMRIデータの解析、顔画像の特徴分解、音声認識の前処理など幅広い応用があります。主成分分析（PCA）と組み合わせて次元削減後にICAを適用する手順も一般的です。