基于 VAE 的多层级神经 Granger 因果连通性学习框架
机器学习
2024-02-27 v1 统计方法学
机器学习
摘要
Granger 因果性已广泛应用于各种应用领域，以捕捉复杂动力系统中各分量之间的领先 - 滞后关系，现有文献的关注点主要集中在单个动力系统上。在宏观经济学和神经科学的某些应用中，人们可以获取一组相关系统的数据，其中感兴趣的建模任务是提取嵌入其中的共享公共结构，并识别各个系统内的特异性。本文介绍了一种基于变分自编码器 (VAE) 的框架，该框架联合学习一组相关但异构的动力系统中各分量之间的 Granger 因果关系，并以原则性的方式处理上述任务。所提框架的性能在多种合成数据设置下进行了评估，并与专为单个系统学习设计的现有方法进行了基准测试。该方法进一步在一个涉及神经生理学实验时间序列数据的真实数据集上进行了演示，并产生了可解释的结果。
引用
@article{arxiv.2402.16131,
title = {A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity},
author = {Jiahe Lin and Huitian Lei and George Michailidis},
journal= {arXiv preprint arXiv:2402.16131},
year = {2024}
}
备注
Accepted by Transactions on Machine Learning Research