Formalismo ed applicabilità del metodo ICA (Independent Component Analysis) Francesca Marcucci Università di Perugia e INFN Udine 31 gennaio 2003 ICA: Independent Component Analysis ICA è una tecnica statistica per la decomposizione di un complesso dataset nelle sue sottoparti indipendenti ed è particolarmente utile nella soluzione di problemi di Blind Source Separation (BSS) Modello: Supponiamo che M segnali di media nulla s1 s2 s3 ....... sM ma siano osservabili solo N combinazioni lineari delle variabili si xj = aij · si i=1,..,M j=1,..,N x=As A={aij} Statistical “latent variables” model Se la matrice A non è nota il problema puo’ essere risolto facendo alcune assunzioni sulle proprietà statistiche delle sorgenti si Dovrebbe essere considerato anche un termine aggiuntivo n per il rumore x=As + n Ipotesi per l’ applicabilità di ICA: N >= M (nel seguito assumiamo M=N senza perdita di generalità) al massimo una delle sorgenti e’ gaussiana le sorgenti si sono statisticamente indipendenti la matrice A ha rango massimo per ora n=0 , ma il modello puo’ essere esteso anche se di più difficile risoluzione Ambiguità del metodo: Il metodo fornisce una misura dell’ indipendenza delle componenti ma non da informazioni sull’Energia (varianza) e sull’ ordine in cui si ottengono, ovvero la matrice A puo’ essere scritta (dopo la convergenza) come: A=PD Soluzione: Whitening or Sphering P=permutazione D=matrice diagonale PREPROCESSAMENTO DEI DATI: Se i dati si non hanno media nulla allora si sottrae il valor medio (ad xi) Whitening o sphering: Serve ad ottenere dei nuovi dati x con varianza unitaria x=Vx dove E{ x xT }=1 (=I) Se E{ x xT }=C allora V=C-1/2 infatti E{ x xT }= E{V x xT VT}=C-1/2 C C-1/2=I Illustrazione del metodo: Supponiamo di avere due variabili indipendenti uniformemente distribuite nella regione illustrata, con media nulla e varianza unitaria 1/23 |si|<3 s2 Ad es. P(si)= 0 altrove s1 Applichiamo A= 2 3 2 1 Le direzioni x2 ci danno informazione sulle colonne di A x1 … cerchiamo un metodo piu’ generale Procedimento: Si basa sul teorema del “limite centrale”: La distribuzione della somma di variabili random indipendenti tende ad una distribuzione gaussiana Per stimare una delle componenti indipendenti consideriamo y = wT x = i wi xi se w fosse l’ i-ima riga di A-1 allora y= si z = AT w y = wT x = wT As = zT s Se i dati hanno varianza unitaria W e’ una matrice ortogonale WWT=I Come usare il teorema del limite centrale? Ora abbiamo y = zTs ossia una combinazione lineare delle sorgenti indipendenti. Tale somma è “piu’ gaussiana” delle componenti originarie e lo diventa “al minimo” quando y=si ossia z ha solo l’i-imo elemento non nullo. w scelto in modo da massimizzare la non-gaussianità di wTx Misure di non-gaussianità: KURTOSIS kurt(y)=E{y4} – 3(E{y2})2 è nullo per variabili gaussiane quindi si cerca il max di |Kurt(y)| NEGENTROPY J(y)=H(ygauss) – H(y) con H(y)= f(y) log f(y) dy è nulla per variabili gaussiane (quelle con la max entropia H) MUTUAL INFORMATION I(y1,…,yM) = i H(yi) – H(y) È nulla per variabili indipendenti e non negativa va minimizzata Modello di rete neurale: W Q x x y y è una stima del vettore s y=Wx Q è una stima della matrice A x=Qy 1. “Apprende” una matrice W tale che y=Wx sono indipendenti 2. “Apprende” una matrice Q tale da minimizzare E{||n’||2}=E{||x-Qy||2} W=BTV Con pre-withening: V Q BT x x x y LEARNING: Massimizzare/minimizzare rispetto a w una delle funzioni F(w) precedenti imponendo dei vincoli ad esempio E{y2}=1 e E{y}=0 , ad esempio utilizzando i moltiplicatori di Lagrange : gradient-ascendent method: wk+1 = wk + L ’wk Newton-Like method: L ’’w = r(w) Rxx 2 L ’’w wk= -L ’wk 2 wk+1 = wk - Rxx-1 L ’wk/ r(w) ALGORITMI: Herault-Jutten: fallisce per piu’ di 2 sorgenti EASI: performance uniforme Bell’s and Seinowsky’s: performance uniforme e non richiede pre-withening Chicocki and Amari: per feedforward e recurrent network BIGRADIENT: necessario prewhitening, molto flessibile NONLINEAR PCA: senza prewhitening separa solo componenti sinusoidali. Adatto principalmente per funzioni sub-gaussiane FastICA : Caso semplice “one-unit” (una sola unità computazionale 1 neurone con peso w) FastICA trova un vettore unitario w tale che massimizzi la non-gaussianità di wTx (utilizzando la Negentropy) con il metodo Newton-Like 1. Sceglie un iniziale vettore w random 2. calcola w+ = E{xg (wTx)} – E{g ’(wTx)} w g derivata di una funzione non quadratica 3. controlla se w = w+ / ||w+|| 4. se non converge (w w+ = 1, hanno la stessa direzione) ritorna al punto 2 Tale algoritmo one-unit permette di determinare solo 1 componente ma può essere facilmente esteso per la stima di più componenti indipendenti improntando una rete “several-unit” con neuroni di pesi w1,…,wn Converge più rapidamente del metodo ICA; non necessita della stima di funzioni g o di parametri di altri parametri, è gratuito e disponibile sul web. Recente applicazione: (Baccigalupi et al. 2002) SCOPO: Separazione di componenti astrofisiche sovrapposte, ricostruendone sia le caratteristiche spaziali che spettrali, senza assunzioni a priori se non l’indipendenza e l’assenza di componenti gaussiane MODELLO: xi(r,)=ij sj(r,) (N differenti processi fisici) x=vettore M-dim M canali di misura (diverse bande di frequenza) e strumento caratterizzato da una PSF B(r,) e funzione di risposta t(’) x(r)= B(r-r’,’)j t(’)sj(r’,’) dr’ d’ + n Ipotesi: 1. funzione separabile sj(r,) = fj() sj(r) 2. B(r-r’,)=B(r) indipendente dalla frequenza 3. aij= t(’)f (’) d’ x(r)=A s(r) * B(r) + n 4. n è un rumore bianco, indipendente dal segnale , Gaussiano e stazionario Synchrotron angular power spectra Input output CMB angular power spectra Input output Limiti: La ricostruzione della matrice di separazione peggiora nellì ipotesi in cui il rapporto tra due componenti è fortemente variabile lungo la skymap ES: le polveri dominano sul piano galattico mentre CMB domina ad alte latitudini La ricostruzione è ottenuta con un’ errore migliore dell’ 1% nelle regioni in cui S/N 1.5 , l’errore cresce fino al 10% per S/N 1 Ancora un’ applicazione in astrofisica: (Maria Funaro, Erkki Oja e Harri Valpola,2002) Scopo: Individuare e rimuovere gli “artefacts” che influenzano le immagini (fluttuazioni,stelle della nostra galassia, rumore strumentale) basandosi sull’ analisi del profilo temporale della luminosità dei pixel e sull’indipendenza delle componenti dell’ immagine. Dati: Immagini della Galassia M31 Modello: N pixel X matrice TxN T immagini M sorgenti X = AS riga Xt: singola immagine al tempo t colonna Xn: serie temporali (curve di luce) del pixel n S matrice MxN righe: immagini delle componenti indipendenti per il singolo pixel n Xn = am Smn A matrice TxM : le M colonne di A (mixing vectors am) sono delle “curve di luce virtuali” le cui combinazioni lineari danno quelle reali Xn am caratterizza il comportamento temporale della sorgente m Smn caratterizza il comportamento spaziale T = 35 e N=100x100 pixel dopo whitening 3510 componenti indip. Immagine originaria 1° e 2° autovettori: Raggi cosmici 5° autovettore: Sorgente puntiforme Conclusioni Ci sono pochi casi in letteratura di applicazioni ICA in astrofisica, ma in questo campo l’indipendenza delle componenti assicura l’applicabilità del metodo. La bontà statistica del metodo e’ legata principalmente alla minimizzazione della funzione di costo nella rete neurale implementata . E’ necessario verificarne l’accuratezza con modelli simulati piu’ vicini alla realtà osservativa ICA è sicuramente piu’ rapido dei metodi tradizionali … ma è ugualmente attendibile? PROPOSTA: Utilizzare in un primo momento FastICA ,Likelihood e Wavelet con gli output del light simulator e confrontare i due metodi