脑网络因果充分性中关键外生节点的算法识别
人工智能
2024-03-18 v2
摘要
在研究任何因果机制（如大脑因果网络）时，因果充分性假设起着至关重要的作用。值得注意的是，忽视这一假设可能导致重大错误，而这一事实在脑网络的因果分析中常被忽略。在本研究中，我们提出了一种算法识别方法，用于确定满足因果充分性关键需求的关键外生节点，以便在此类研究中遵循该假设。我们的方法包含三个主要步骤：首先，通过捕捉 Peter-Clark (PC) 算法的精髓，我们对网络内区域对以及以其他网络节点为条件的相同区域对进行独立性检验。接下来，通过分析条件结果与非条件结果之间的差异，利用 Kolmogorov-Smirnov 检验区分候选混杂因素。随后，我们利用非因子化可识别变分自编码器（NF-iVAE）及相关系数指数（CCI）指标来识别这些候选节点内的混杂变量。将我们的方法应用于人类连接组计划（HCP）的电影观看任务数据，结果表明，虽然背侧和腹侧区域之间存在相互作用，但只有背侧区域充当视觉网络的混杂因素，反之亦然。这些发现与神经科学视角得出的结果一致。最后，通过对 NF-iVAE 初始化进行 30 次独立运行测试，我们展示了结果的可靠性。
引用
@article{arxiv.2403.05407,
title = {Algorithmic Identification of Essential Exogenous Nodes for Causal Sufficiency in Brain Networks},
author = {Abdolmahdi Bagheri and Mahdi Dehshiri and Babak Nadjar Araabi and Alireza Akhondi Asl},
journal= {arXiv preprint arXiv:2403.05407},
year = {2024}
}