Famille de méthodes de traitement du signal qui reconstruisent des sources d'origine à partir d'observations mélangées sans connaissance préalable du processus de mélange, en exploitant généralement des propriétés statistiques (par exemple indépendance ou non-gaussianité) ; l'identifiabilité est en règle générale limitée à une permutation et un facteur d'échelle des sources récupérées sauf contraintes ou références supplémentaires.

Principe

Pour des mélanges linéaires (instantanés ou modélisés de façon appropriée) et des sources présentant une structure statistique exploitable (indépendance mutuelle, distributions non gaussiennes), on peut inverser le mélange jusqu'à ambiguïtés d'échelle et d'ordre en recherchant des transformations maximisant un critère de contraste statistique.

Démonstration

Scénario illustratif → Deux personnes parlent simultanément dans une pièce et deux microphones enregistrent (observations : mélanges linéaires). Reconnaissance → Application d'un algorithme de composantes indépendantes aux deux signaux enregistrés. Action → Estimation d'une matrice de démélange imposant l'indépendance statistique. Conséquence → Deux sorties approchant les voix originales, avec échelle relative inconnue et possible inversion d'ordre.

Mauvaise application

Interprétation erronée → Supposer que la séparation aveugle réussira sans vérifier les conditions d'identifiabilité. Pourquoi c'est plausible → Les algorithmes de séparation sont présentés comme génériques. Erreur sémantique → Ignorer les hypothèses requises (non-gaussianité, nombre suffisant de capteurs, adaptabilité du modèle linéaire). Interprétation corrigée → Les performances dépendent de la conformité du problème au modèle et aux hypothèses de l'algorithme.

Conséquence

Lorsqu'elle est applicable, elle permet la récupération des sources pour le débruitage, l'extraction de caractéristiques ou l'analyse d'indépendance ; hors des hypothèses, les sorties peuvent rester mélangées, déformées ou partiellement séparées, et l'ambiguïté d'échelle/ordre limite l'interprétation directe.

Inversion

Le principe échoue ou doit être adapté pour les mélanges convolutifs (réverbération) ou non linéaires, pour des sources purement gaussiennes indépendantes, ou quand le nombre de sources dépasse celui des capteurs — ces cas exigent des modèles différents, des connaissances a priori ou des contraintes supplémentaires.

Limite

Clairement inclus → Mélanges linéaires instantanés de sources indépendantes non gaussiennes avec nombre de capteurs ≥ nombre de sources. Cas frontière → Nombre égal de capteurs et de sources avec faible non-gaussianité ou matrices de mélange près de la dégénérescence. Clairement exclu → Mélange non linéaire sans modèle adapté ou cas avec seules statistiques gaussiennes et aucune information latérale.

Tension sémantique

Aveuglement (absence de connaissance a priori) versus fiabilité : l'absence de prior réduit la dépendance aux modèles mais exige des hypothèses statistiques fortes et laisse des ambiguïtés irréductibles ; l'ajout d'informations a priori réduit ces ambiguïtés au prix d'une perte de caractère 'aveugle'.

Synthèse

La séparation aveugle de sources échange connaissance contre inférence : en exploitant la structure statistique plutôt que des modèles détaillés de mélange, elle peut récupérer des signaux sous conditions pratiques, mais des ambiguïtés inévitables et une sensibilité aux hypothèses imposent soit d'accepter une interprétation limitée, soit d'incorporer des informations supplémentaires.