独立成分分析（Independent Component Analysis） 注：本章节翻译完全参考旧版 UFLDL 中文教程。
试着回想一下，在介绍稀疏编码算法时我们想为样本数据学习得到一个超完备基（ over-complete basis ）。具体来说，这意味着用稀疏编码学习得到的基向量之间不一定线性独立。
尽管在某些情况下这已经满足需要，但有时我们仍然希望得到的是一组线性独立基。独立成分分析算法（ ICA ）正实现了这一点。而且，在 ICA 中，我们希望学习到的基不仅要线性独立，而且还是一组标准正交基。（一组标准正交基 $(\phi_1, \ldots \phi_n)$ 需要满足条件： $\phi_i \cdot \phi_j = 0$ （如果 $i \ne j$ ）或者 $\phi_i \cdot \phi_j = 1$ （如果 $i = j$ ））
与稀疏编码算法类似，独立成分分析也有一个简单的数学形式。给定数据 $x$ ，我们希望学习得到一组基向量――以列向量形式构成的矩阵 $W$ ，其满足以下特点：首先，与稀疏编码一样，特征是稀疏的；其次，基是标准正交的（注意，在稀疏编码中，矩阵 $A$ 用于将特征 $s$ 映射到原始数据，而在独立成分分析中，矩阵 $W$ 工作的方向相反，是将原始数据 $x$ 映射到特征）。这样我们得到以下目标函数：
$$
J(W) = \lVert Wx \rVert_1
$$
由于 $Wx$ 实际上是描述样本数据的特征，这个目标函数等价于在稀疏编码中特征 $s$ 的稀疏惩罚项。加入标准正交性约束后，独立成分分析相当于求解如下优化问题：
$$
\begin{array}
{rcl} {\rm minimize} & \lVert Wx \rVert_1 \ {\rm s.t.} & WW^T = I \\
\end{array}
$$
与深度学习中的通常情况一样，这个问题没有简单的解析解，而且更糟糕的是，由于标准正交性约束，使得用梯度下降方法来求解该问题变得更加困难――每次梯度下降迭代之后，必须将新的基映射回正交基空间中（以此保证正交性约束）。
实践中，在最优化目标函数的同时施加正交性约束（如下一节的正交 ICA 中讲到的）是可行的，但是速度慢。在标准正交基是不可或缺的情况下，标准正交ICA的使用会受到一些限制。（译者注：原文给的超链接无法打开）
2. 标准正交ICA（Orthonormal ICA） 标准正交 ICA 的目标函数是：
$$
\begin{array}
{rcl} {\rm minimize} & \lVert Wx \rVert_1 \ {\rm s.t.} & WW^T = I
\\
\end{array}
$$
通过观察可知，约束 $WWT = I$ 隐含着另外两个约束：
第一，因为要学习到一组标准正交基，所以基向量的个数必须小于输入数据的维度。具体来说，这意味着不能像通常在 稀疏编码中所做的那样来学习得到超完备基（ over-complete bases ）。
第二，数据必须经过无正则 ZCA 白化（也即， $ε$ 设为 $0$ ）。（为什么必须这样做？见 TODO ）
因此，在优化标准正交 ICA 目标函数之前，必须确保数据被白化过，并且学习的是一组不完备基（ under-complete basis ）。
然后，为了优化目标函数，我们可以使用梯度下降法，在梯度下降的每一步中增加投影步骤，以满足标准正交约束。过程如下：
重复以下步骤直到完成：
1.
$W \leftarrow W - \alpha \nabla_W \lVert Wx \rVert_1$
$W \leftarrow \operatorname{proj}_U W$ ， 其中 $U$ 是满足 $WWT = I$ 的矩阵空间
在实际中，学习速率 $α$ 是可变的，使用一个线搜索算法来加速梯度。投影步骤通过设置 $W \leftarrow (WW^T)^{-\frac{1}{2}} W$ 来完成，这实际上可以看成就是 ZCA 白化（ TODO ：解释为什么这就象 ZCA 白化）.
3. 拓扑ICA（Topographic ICA） 与 稀疏编码算法类似，加上一个拓扑代价项，独立成分分析法可以修改成具有拓扑性质的算法。