assimilative 因果推断
机器学习
2026-02-23 v2 统计理论
数据分析、统计与概率
统计方法学
机器学习
统计理论
摘要
因果推断是跨学科的基础，但现有方法难以捕捉复杂高维系统中瞬时、动态变化的因果关系。在本文中，发展了assimilative因果推断(ACI)，这是一种方法论框架，利用贝叶斯数据同吻(trace causes backward from observed effects)来追踪原因。ACI解答的是逆问题，而非量化前向影响。它独特地识别动态因果相互作用，而无需观测候选原因，能处理短数据集，原则上可通过高效数据同吻算法在高维设置中实现。关键是，它提供了因果角色的在线跟踪，这些角色可能偶尔反转，并为因果影响范围提供数学严谨的判据，揭示效应如何传播。通过展示复杂动力学系统中的间歇性和极端事件，证明了ACI的有效性。ACI为研究临界因果结构的复杂系统开辟了有价值的路径。
引用
@article{arxiv.2505.14825,
title = {Assimilative Causal Inference},
author = {Marios Andreou and Nan Chen and Erik Bollt},
journal= {arXiv preprint arXiv:2505.14825},
year = {2026}
}
备注
47 pages (Main Text pp. 1--17; Supplementary Information pp. 18--47), 11 figures (3 in Main Text, 8 in Supplementary Information). Published in Nature Communications. The MATLAB code used in the analyses and to generate the figures in this work can be found in https://github.com/marandmath/ACI_code . For further details visit https://mariosandreou.short.gy/ACI