선형 독립 성분 분석(ICA)은 선형 혼합으로부터 공동으로 독립적인 소스 신호를 복원합니다. 이를 달성하기 위해, 고전적인 ICA 알고리즘들은 정보 이론에 의해 독립성과 연결된 네겐트로피(negentropy)로 측정되는 비가우시안성을 최대화하려고 시도합니다. 정확한 네겐트로피 최적화는 계산 불가능하므로, 이들은 주로 4차 공분산이나 매개변수형 로그 우도 같은 근사 대조 함수에 의존합니다. 대신, 우리는 표준 가우시안 분포와의 제곱 바서슈타인 거리($W_2^2$)를 사용하여 비가우시안성을 측정할 것을 제안합니다. 우리는 표준 정규 분포와 데이터의 선형 투영 사이의 바서슈타인 거리가 해당 투영이 독립 성분을 복원할 때 최대화됨을 증명합니다. 이 관찰에 기반하여, 우리는 경사 기반 최적화를 통해 이 투영을 찾는 OT-ICA 알고리즘을 제안합니다. 시뮬레이션 데이터에 대한 경험적 평가는 OT-ICA가 잠재 변수의 다양한 분포에 대해 근사 기반 방법들보다 우수함을 보여줍니다. EEG 아티팩트 제거 및 계량 경제학 가격 발견에의 응용은 OT-ICA가 분포 가정 없이 적용 가능한 ICA 작업에 사용될 수 있음을 확인시켜 줍니다.