从非干预复杂系统中解读干预性动力学因果关系
机器学习
2026-04-23 v2 定量方法
统计方法学
机器学习
摘要
检测和量化因果性是科学、工程以及跨学科研究领域的焦点问题。然而，对非干预系统的因果研究引起了广泛关注，但仍然极具挑战性。延迟嵌入技术提供了一条有前景的路径。本研究提出了一个名为干预性动力学因果 (Interventional Dynamical Causality, IntDC) 的框架，以对传统的构造性动力学因果 (Constructive Dynamical Causality, ConDC) 进行比较。ConDC 包括格朗日因果、传递熵和交叉映射收敛， 通过构建动力学模型来衡量因果性，而不考虑干预。提出了一种计算准则——干预嵌入熵 (Interventional Embedding Entropy, IEE)，用于以干预方式衡量因果强度。IEE 是延迟嵌入空间中的干预性因果信息流动。进一步地，IEE 在理论和数值上使得仅从观测（非干预）时间序列数据即可解读 IntDC，而无需对所考虑系统了解动力学模型或真实干预。特别地，IEE 可用于根据重要性对因果效应进行排序，并从数据中构建因果网络。我们进行了数值实验，以证明 IEE 能够准确地发现因果边、消除混杂效应，并且在传统指标之上对因果强度进行稳健的量化。我们还将 IEE 应用于实际任务。IEE 作为一种从观测数据中进行因果分析的准确且稳健的工具表现出色。IntDC 框架和 IEE 算法为研究来自各种非干预复杂系统中时间序列的因果性提供了一种有效的方法。
引用
@article{arxiv.2407.01621,
title = {Deciphering interventional dynamical causality from non-intervention complex systems},
author = {Jifan Shi and Yang Li and Juan Zhao and Siyang Leng and Rui Bao and Kazuyuki Aihara and Luonan Chen and Wei Lin},
journal= {arXiv preprint arXiv:2407.01621},
year = {2026}
}