CausationEntropy：Pythonic 最优因果熵
机器学习
2026-01-21 v1 数据分析、统计与概率
摘要
最优因果熵（oCSE）是一种稳健的因果网络建模技术，能够从动力系统和耦合振荡器中揭示因果网络，并区分直接路径与间接路径。CausationEntropy 是一个实现 oCSE 及其若干重要优化和方法论扩展的 Python 包。在本文中，我们介绍 CausationEntropy 的 1.1 版本，该版本包含新的合成数据生成器、绘图工具，以及几种先进的信息论因果网络发现算法，并提供了估计高斯、k近邻（kNN）、几何 k近邻（geometric-kNN）、核密度（KDE）和泊松熵估计器的准则。该包易于从 PyPi 软件仓库安装，文档详尽，附有大量代码示例，并采用模块化结构以支持未来的扩展。整个代码库在 MIT 许可证下发布，可在 GitHub 和 PyPi 仓库获取。我们期望该包能成为复杂动力系统因果发现的基准工具。
引用
@article{arxiv.2601.13365,
title = {CausationEntropy: Pythonic Optimal Causation Entropy},
author = {Kevin Slote and Jeremie Fish and Erik Bollt},
journal= {arXiv preprint arXiv:2601.13365},
year = {2026}
}