标题： 独立过程分析而不依赖先验维数信息 显示英文标题

标题： Independent Process Analysis without A Priori Dimensional Information

摘要： 近年来，已经提出了几种用于独立子空间分析的算法，其中隐藏变量是独立同分布（i.i.d.）过程。 我们证明了这些方法可以扩展到某些自回归（AR）、移动平均（MA）、自回归移动平均（ARMA）和整合移动平均自回归（ARIMA）任务。 本文的核心是我们引入了一系列算法，旨在在不知道隐藏过程的数量和维度的情况下解决这些任务。 我们的主张得到了数值模拟的支持。 作为一个具体的应用，我们寻找面部组成部分的子空间。 显示英文摘要

摘要： Recently, several algorithms have been proposed for independent subspace analysis where hidden variables are i.i.d. processes. We show that these methods can be extended to certain AR, MA, ARMA and ARIMA tasks. Central to our paper is that we introduce a cascade of algorithms, which aims to solve these tasks without previous knowledge about the number and the dimensions of the hidden processes. Our claim is supported by numerical simulations. As a particular application, we search for subspaces of facial components.