Algoritmos de ICA em alfabetos finitos: um estudo comparativo

Abstract

Recentemente, algoritmos de Análise de Componentes Independentes (ICA) em alfabetos finitos foram propostos. Tendo em vista cenários não-testados e a replicação de resultados anteriores, desejamos comparar estes algoritmos, bem como verificar como os algoritmos mais generalistas desempenham em relação aos que assumem corpos finitos. Desta maneira, nesta dissertação avaliamos, através de simulações, o desempenho de algoritmos de ICA linear como aplicação ao problema de Separação Cega de Fontes (BSS) em corpos finitos. Duas métricas foram consideradas: tempo de execução e Separação Total das Fontes, uma métrica mais pessimista de separação. Apesar dos algoritmos AMERICA, SA4ICA e GLICA convergirem para 100% de Separação Total ao crescermos a quantidade de amostras observadas, o algoritmo SA4ICA apresenta comportamento que rompe este padrão, o que não foi reportado anteriormente. Adicionalmente, implementamos o algoritmo GLICA. Este último apresentou desempenho de separação praticamente igual em relação ao algoritmo AMERICA, apesar de seu tempo de execução se apresentar superior. Além disso, realizou-se um experimento tendo em vista a aplicação de ICA por si mesma, i.e, a minimização da informação mútua. Os algoritmos lineares previamente aplicados no caso de BSS estão, agora, inseridos em um contexto cuja geração das amostras observadas não se dá por uma mistura linear, o que a princípio não privilegiaria estes algoritmos em relação a um algoritmo não-linear. Porém, ao serem comparados ao algoritmo não-linear QICA, cuja premissa envolve lidar com esses modelos geradores mais genéricos, este mesmo algoritmo detém desempenho inferior na maioria dos cenários em relação aos lineares, que inclusive demonstraram resultados, entre eles mesmos, praticamente iguais em todos os cenários. Ademais, o algoritmo QICA toma muito tempo para ser executado em relação à todos os outros algoritmos. Desta forma, os resultados sugerem que os algoritmos lineares detiveram vantagem tanto temporal quanto em desempenho em relação a este novo algoritmo. Para isto, contamos com o uso de inferência estatística em ambos os experimentos para validação de nossos resultados.