线性因子模型是基于潜变量的最简单的概率模型，时常被用来作为混合模型或者更大的深度概率模型的组成模块。本文首先介绍线性因子模型的一般形式，然后再罗列一些特殊情况下的典型线性因子模型，方便日后学习。
一、线性因子模型
随机线性解码器函数通过对 \(h\) 的线性变换以及添加噪声来生成 \(x\)，我们可以通过该函数来定义线性因子模型。
线性因子模型描述的数据生成过程如下：
首先我们从一个因子分布 \(p( h) \) 中抽取解释性因子 \(h\) ：\(h\sim p( h) \)，然后在给定因子的情况下，对实值的可观察变量进行采样：
\[ x= Wh+ b+ noise, \]
其中噪声往往是对角化的且服从高斯分布。
下图是描述线性因子模型族的有向图模型，从中我们可以看出其一般形式。
二、典型的线性因子模型
我们假设观察到的数据向量 \(x\) 是通过独立的潜在因子 \(h\) 的线性组合再加上一定噪声获得的。不同的模型，比如概率 PCA，因子分析或者 ICA，都是选择了不同形式的噪声以及先验 \(p( h) \)。
1、因子分析
在因子分析中，潜变量的先验是一个方差为单位矩阵的高斯分布
\[ h\sim N( h; 0, I) , \]
而噪声是从对角协方差矩阵的高斯分布中抽出来的，协方差矩阵为 \( \psi =diag(\sigma ^{2}) \)，其中 \( \sigma ^ {2}=\left[ \sigma _ {1} ^ {2},\sigma _ {2} ^ {2},\ldots ,\sigma _ {n} ^ {2}\right] ^ {T} \) 表示一个向量，每个元素表示一个变量的方差。
很容易我们就可以看出生成的 \(x\) 服从多维正态分布，并满足
\[ x\sim N( x; b, WW ^{T} + \psi ). \]
2、概率PCA
当因子分析模型中的条件方差 \( \sigma _{i} ^{2} \) 等于同一个值时，线性因子模型就变成了概率 PCA。在这种情况下，\(x\) 服从的多维正态分布将变为
\[ x\sim N(x;b,WW ^{T} +\sigma ^{2} I), \]
其中 \(\sigma ^{2}\) 是一个标量。或者等价地，可以将 \(x\) 表示为
\[ x=Wh+b+\sigma z, \]
其中 \( z\sim N(z;0,I) \) 是高斯噪声。
3、PCA
当概率 PCA 中的 \( \sigma \rightarrow 0 \) 时，PCA 可以看成是概率 PCA 的退化。此时，\( x \) 的表示可以写为
\[ x=Wh+b. \]
4、独立成分分析
独立成分分析（ICA）是一种建模线性因子的方法，旨在将观察到的信号分离成许多完全独立的潜在信号，这些潜在信号通过缩放和叠加可以恢复成观察数据。
许多不同的具体方法被称为 ICA，它们均要求 \( p(h) \) 是非高斯的。这样的选择在 0 附近具有比正态分布更高的峰值，因此 ICA 常用于学习稀疏特征。
5、慢特征分析
慢特征分析（SFA）是使用来自时间信号的信息学习不变特征的线性因子模型，其想法源于慢性原则。
在求解时，SFA 往往要满足三个约束：一是学习到的特征要具有零均值，这样优化问题才会具有唯一解；二是学习到的特征要具有单位方差，以防止所有的特征趋近于 0 的病态解；最后一个约束是要求学习到的特征之间必须彼此线性去相关。
6、稀疏编码
稀疏编码模型通常假设线性因子有一个各向同性精度为 \( \beta \) 的高斯噪声：
\[ p(x|h)=N(x;Wh+b,\frac{1}{\beta} I). \]
而分布 \( p(h) \) 通常为一个峰值很尖锐且接近 0 的分布，如可分解的 Laplace、Cauchy 或者可分解的 Student-t 分布。