A Análise de Componentes Independentes (ICA) visa separar os sinais observados em suas componentes independentes, responsáveis pela geração das observações. A maioria das pesquisas na ICA tem focado em sinais contínuos, enquanto a metodologia para sinais binários e discretos é menos desenvolvida. No entanto, as observações binárias estão igualmente presentes em várias aplicações, tais como descoberta causal, processamento de sinais e bioinformática. Na última década, as misturas Boolean OR e XOR demonstraram ser identificáveis pela ICA, mas tais modelos sofrem de expressividade limitada, exigindo novos métodos para resolver o problema. Estimamos a matriz de mistura do ICA a partir de observações binárias e uma variável auxiliar observada adicionalmente, empregando um modelo linear inspirado no identifiable Variational Autoencoder (iVAE), que explora a não-estacionariedade dos dados. Estudamos empiricamente as condições que permitem a reconstrução da matriz de mistura usando o iVAE binário, e analisamos o desempenho e a eficiência do modelo.

Texto informado pelo autor.

* Os participantes dos seminários não poderão acessar às dependências da FGV usando bermuda, chinelos, blusa modelo top ou cropped, minissaia ou camiseta regata. O uso da máscara é facultativo, porém é obrigatória a apresentação do comprovante de vacinação (físico ou digital).