CausalMamba：用于神经因果推断的可扩展条件状态空间模型
计算机视觉与模式识别
2025-10-21 v1
摘要
我们介绍了 CausalMamba，一个可扩展框架，解决了基于 fMRI 的因果推断中的根本性限制：从血氧水平干扰的 BOLD 信号中推断神经因果性的缺乏明确性以及现有方法如动力学因果模型（DCM）的计算不可行性。我们的方法将这个复杂的逆问题分解为两个可计算的阶段：BOLD 反卷积以恢复潜在神经活动，随后使用一种新颖的条件 Mamba 架构进行因果图推断。在仿真数据上，CausalMamba 的准确率高出 DCM 37%。关键的是，当应用于真实任务 fMRI 数据时，我们的方法以 88% 的保真度恢复了已知的神经通路，而传统方法在超过 99% 的受试者中无法识别这些标准神经回路。此外，我们对工作记忆数据的网络分析显示，大脑在策略性地根据刺激转移其主要因果枢纽——招募执行或显著性网络——这一细节在传统方法未被检测到的工作记忆数据中。该工作为神经科学家提供了一个用于大规模因果推断的实用工具，能够捕捉支撑认知功能的基本电路构型以及灵活的网络动态。
引用
@article{arxiv.2510.17318,
title = {CausalMamba: Scalable Conditional State Space Models for Neural Causal Inference},
author = {Sangyoon Bae and Jiook Cha},
journal= {arXiv preprint arXiv:2510.17318},
year = {2025}
}