docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,185 @@
|
||||
---
|
||||
id: wiki-2026-0508-independent-component-analysis-i
|
||||
title: Independent Component Analysis (ICA)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [ICA, FastICA, blind source separation, cocktail party, sklearn ICA]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
verification_status: applied
|
||||
tags: [statistics, ica, source-separation, signal-processing, dimensionality]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: scikit-learn / MNE-Python
|
||||
---
|
||||
|
||||
# Independent Component Analysis (ICA)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 mixed signal 의 의 의 statistically independent source 의 separate"**. 매 cocktail party problem. 매 vs PCA: 매 ICA 의 non-Gaussian / independence, 매 PCA 의 variance-max. 매 famous: FastICA. 매 응용: 매 EEG 의 artifact remove, 매 audio source separate.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 model
|
||||
- 매 X = AS — 매 X (observed mix), A (mixing matrix), S (independent sources).
|
||||
- 매 estimate W ≈ A⁻¹ → 매 S = WX.
|
||||
|
||||
### 매 vs PCA
|
||||
- **PCA**: 매 uncorrelated + variance max.
|
||||
- **ICA**: 매 statistically independent (stronger).
|
||||
|
||||
### 매 응용
|
||||
1. **EEG**: 매 eye blink / muscle artifact remove.
|
||||
2. **Audio**: 매 source separation (legacy — modern uses DL).
|
||||
3. **fMRI**: 매 default mode network identify.
|
||||
4. **Finance**: 매 factor extraction.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### scikit-learn FastICA
|
||||
```python
|
||||
from sklearn.decomposition import FastICA
|
||||
ica = FastICA(n_components=3, random_state=0)
|
||||
S = ica.fit_transform(X) # 매 X: [n_samples, n_features]
|
||||
A = ica.mixing_ # 매 mixing matrix
|
||||
# 매 X ≈ S @ A.T
|
||||
```
|
||||
|
||||
### Cocktail party (3 mics, 3 speakers)
|
||||
```python
|
||||
import numpy as np
|
||||
from sklearn.decomposition import FastICA
|
||||
|
||||
# 매 3 sources
|
||||
t = np.linspace(0, 8, 2000)
|
||||
s1 = np.sin(2 * t)
|
||||
s2 = np.sign(np.sin(3 * t))
|
||||
s3 = np.random.normal(size=2000)
|
||||
|
||||
S = np.c_[s1, s2, s3]
|
||||
A = np.array([[1, 1, 1], [0.5, 2, 1], [1.5, 1, 2]])
|
||||
X = S @ A.T # 매 3 mics
|
||||
|
||||
ica = FastICA(n_components=3)
|
||||
S_estimated = ica.fit_transform(X)
|
||||
```
|
||||
|
||||
### EEG artifact removal (MNE)
|
||||
```python
|
||||
import mne
|
||||
raw = mne.io.read_raw_edf('eeg.edf', preload=True)
|
||||
ica = mne.preprocessing.ICA(n_components=20, random_state=0).fit(raw)
|
||||
|
||||
# 매 detect eye blink (using EOG)
|
||||
eog_idx, scores = ica.find_bads_eog(raw, ch_name='EOG')
|
||||
ica.exclude = eog_idx
|
||||
ica.apply(raw) # 매 modify raw in-place
|
||||
```
|
||||
|
||||
### Whitening (preprocess)
|
||||
```python
|
||||
def whiten(X):
|
||||
X_centered = X - X.mean(axis=0)
|
||||
cov = np.cov(X_centered.T)
|
||||
U, S, _ = np.linalg.svd(cov)
|
||||
W = U @ np.diag(1 / np.sqrt(S + 1e-9)) @ U.T
|
||||
return X_centered @ W
|
||||
```
|
||||
|
||||
### FastICA (manual)
|
||||
```python
|
||||
def fast_ica(X, n_components, max_iter=200, tol=1e-4):
|
||||
"""매 simplified FastICA via deflation."""
|
||||
X_white = whiten(X)
|
||||
W = np.zeros((n_components, X.shape[1]))
|
||||
for i in range(n_components):
|
||||
w = np.random.randn(X.shape[1])
|
||||
w /= np.linalg.norm(w)
|
||||
for _ in range(max_iter):
|
||||
wx = X_white @ w
|
||||
g = np.tanh(wx) # 매 nonlinearity
|
||||
g_prime = 1 - g ** 2
|
||||
w_new = (X_white.T @ g) / X.shape[0] - g_prime.mean() * w
|
||||
|
||||
# 매 deflate (orthogonalize against found components)
|
||||
for j in range(i):
|
||||
w_new -= (w_new @ W[j]) * W[j]
|
||||
w_new /= np.linalg.norm(w_new)
|
||||
|
||||
if abs(abs(w @ w_new) - 1) < tol: break
|
||||
w = w_new
|
||||
W[i] = w
|
||||
return W
|
||||
```
|
||||
|
||||
### Validate (correlation with known sources)
|
||||
```python
|
||||
def correlate_with_sources(estimated, true_sources):
|
||||
# 매 each estimated → best-matching true
|
||||
n = estimated.shape[1]
|
||||
matches = []
|
||||
for i in range(n):
|
||||
best_corr = max(abs(np.corrcoef(estimated[:, i], true_sources[:, j])[0, 1]) for j in range(n))
|
||||
matches.append(best_corr)
|
||||
return matches # 매 ideally close to 1
|
||||
```
|
||||
|
||||
### Audio source separation (legacy)
|
||||
```python
|
||||
import scipy.io.wavfile as wav
|
||||
sr, mix = wav.read('mix.wav') # 매 stereo
|
||||
ica = FastICA(n_components=2)
|
||||
S = ica.fit_transform(mix)
|
||||
wav.write('source1.wav', sr, S[:, 0])
|
||||
wav.write('source2.wav', sr, S[:, 1])
|
||||
```
|
||||
|
||||
### Component selection (EEG)
|
||||
```python
|
||||
def detect_artifact_components(ica, raw):
|
||||
bad = []
|
||||
eog_idx, _ = ica.find_bads_eog(raw)
|
||||
ecg_idx, _ = ica.find_bads_ecg(raw)
|
||||
return eog_idx + ecg_idx
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Source separation | ICA (small N) |
|
||||
| Audio modern | DL (Demucs) — not ICA |
|
||||
| EEG artifact | MNE-Python ICA |
|
||||
| fMRI | spatial ICA |
|
||||
| Variance reduction | PCA (not ICA) |
|
||||
|
||||
**기본값**: 매 EEG / fMRI = ICA. 매 modern audio = DL. 매 always whitening preprocess.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Statistics]]
|
||||
- 변형: [[FastICA]]
|
||||
- Adjacent: [[PCA]] · [[Factor-Analysis]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 EEG / fMRI. 매 small-source separation.
|
||||
**언제 X**: 매 modern audio (use Demucs).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No whitening**: 매 convergence X.
|
||||
- **N components > N sources**: 매 noise component.
|
||||
- **Gaussian sources**: 매 ICA fail (need non-Gaussian).
|
||||
- **Order assumption**: 매 ICA 매 component order arbitrary.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Hyvärinen FastICA 2000, MNE docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — ICA + 매 sklearn / MNE / manual / cocktail code |
|
||||
Reference in New Issue
Block a user