FastICAは、独立成分分析（ICA）を実行するための固定小数点アルゴリズムであり、多変量信号を統計的に独立な加法部分成分に分離する計算手法である。信号を無相関化する主成分分析（PCA）とは異なり、ICAは無相関であるだけでなく統計的にも独立な成分を求める。FastICAは、信号処理、特徴抽出、ブラインド信号源分離において広く使用され、音声処理から生体医用データ解析まで多岐にわたる応用がある。
このアルゴリズムは、1997年にAapo HyvärinenとErkki Ojaによって導入され、ニューラルネットワークと情報理論における初期の研究に基づいている。最尤推定や相互情報量最小化に基づく他のICA手法と比較して、その速度と単純さで知られている。FastICAは、ネゲントロピーや尖度の近似を通じて測定される非ガウス性を最大化する方向を反復的に見つけることで動作し、通常はデータの中心化と白色化の後に適用される。
数学的基礎
FastICAは、独立確率変数の和がガウス分布に近づくという中心極限定理に依存している。したがって、混合から独立成分を分離することは、射影データが可能な限り非ガウス的である方向を見つけることを含む。このアルゴリズムは、非ガウス性を測定するためのコントラスト関数を使用し、一般的には尖度の絶対値や、双曲線余弦関数の対数などのよりロバストなネゲントロピー近似が用いられる。
固定小数点反復は、単位ノルム制約の下でコントラスト関数を最大化するように重みベクトルwを更新する。更新則はコントラスト関数の勾配から導出され、データの期待値と非二次関数の導関数を含む。各反復後、重みベクトルは以前に見つかった成分に対して直交化され、無相関化が保証される。アルゴリズムは、wの変化が閾値未満になったときに収束し、通常は数回の反復で完了する。
アルゴリズムの手順
FastICAは、いくつかの明確に定義された段階を経て進行する。まず、入力データは平均を差し引くことで中心化される。次に、データは通常PCAを用いて白色化され、相関を除去し、各成分を単位分散にスケーリングする。白色化は混合行列を直交化するため問題を単純化し、推定するパラメータの数を減らす。
前処理後、アルゴリズムはランダムな重みベクトルwを初期化する。固定小数点反復は、更新則を適用する：w_new = E[x g(w^T x)] - E[g'(w^T x)] w、ここでgは非二次関数の導関数、Eはデータ上の期待値を表す。新しいベクトルは単位長に正規化される。複数の成分の場合、各重みベクトルはグラム・シュミット類似の手順を用いて以前に推定されたベクトルに対して直交化される。このプロセスは収束まで繰り返され、白色化データを独立成分に変換する分離行列が得られる。
応用
FastICAは、さまざまな分野で広く使用されている。生体医工学では、脳波（EEG）や機能的磁気共鳴画像法（fMRI）データに適用され、まばたきや筋活動などのアーティファクトから神経信号を分離する。音声処理では、複数のマイクで録音された混合から個々の話者を分離するブラインド信号源分離を可能にし、これはカクテルパーティ問題として知られる技術である。
金融では、FastICAは資産収益を駆動する隠れた因子を特定するために使用され、リスク管理やポートフォリオ最適化に役立つ。画像処理では、自然画像から独立した特徴を分離し、テクスチャ解析や物体認識に貢献する。このアルゴリズムの速度は、補聴器における音声強調や電気通信におけるノイズ低減など、リアルタイムアプリケーションに適している。
他の手法との比較
FastICAは、InfomaxやJADE（固有行列の結合近似対角化）などの他のICAアルゴリズムとしばしば比較される。最大エントロピーに基づくInfomaxは外れ値に対してよりロバストであるが、遅い。JADEは四次キュムラントを使用し、低次元データには効率的であるが、次元が増加すると計算コストが高くなる。FastICAは、特に高次元データセットにおいて速度と精度のバランスを提供し、その固定小数点の性質により、勾配ベースの手法とは異なり学習率の調整を必要としない。
しかし、FastICAには限界がある。独立成分が非ガウス的であることを仮定しており、これは多くの実世界の信号には有効であるが、ガウス源には当てはまらない。また、アルゴリズムは初期化に敏感で、局所最適解に収束する可能性がある。異なるコントラスト関数を使用するFastICAや対称直交化を用いる変種が、これらの問題を軽減するために開発されている。
ソフトウェアと実装
FastICAは、いくつかのプログラミング環境で実装されている。Pythonのscikit-learnライブラリは、その分解モジュール内にFastICAクラスを提供し、ユーザーに簡単なインターフェースを提供する。MATLABには専用のFastICAツールボックスがあり、RにはfastICAパッケージがある。これらの実装には通常、コントラスト関数、成分数、収束許容値を選択するオプションが含まれており、研究者や実務者が分野を問わずアルゴリズムにアクセスできるようにしている。
このアルゴリズムの影響は、特徴抽出やデータ前処理に使用される現代の機械学習や人工知能パイプラインにも及んでいる。その原理は、スパースまたは独立表現を学習するニューラルネットワークモデルにも関連しているが、深層学習などの深層学習手法は、明示的な独立性制約ではなく損失関数やバッチ正規化に依存することが多い。