좋은 구성 요소가 없으면 독립적 구성 요소 분석에서 요청해야 할 구성 요소의 수에 대해 선험적으로 추측합니다. 선택 프로세스를 자동화하려고합니다. 합리적인 기준은 계산 된 구성 요소 간의 상관 관계에 대한 전역 증거를 최소화하는 숫자 일 수 있다고 생각합니다. 이 접근법의 유사 코드는 다음과 같습니다.
for each candidate number of components, n:
run ICA specifying n as requested number of components
for each pair (c1,c2) of resulting components:
compute a model, m1: lm(c1 ~ 1)
compute a model, m2: lm(c1 ~ c2)
compute log likelihood ratio ( AIC(m2)-AIC(m1) ) representing the relative likelihood of a correlation between c1 & c2
compute mean log likelihood ratio across pairs
Choose the final number of components as that which minimizes the mean log likelihood of component relatedness
이러한 후보로 인한 ICA는 여러 개의 추정 된 구성 요소에 단일 단일 구성 요소의 정보를 배포하여 구성 요소 쌍 간의 상관 관계에 대한 평균 증거를 증가시켜야하기 때문에 이것이 "참"수의 구성 요소보다 많은 수의 후보에 자동으로 불이익을 줄 것이라고 생각합니다.
이게 말이 되요? 그렇다면, 위에서 제안한 평균 로그 우도 접근 방식보다 추정 된 구성 요소에서 관련성에 대한 집계 메트릭스를 더 빨리 달성 할 수있는 방법이 있습니까? 이 방법이 의미가 없다면, 좋은 대안 절차는 어떻게 보일까요?