利用交叉映射相干性检测频域因果关系
机器学习
2024-07-31 v1 混沌动力学
数据分析、统计与概率
机器学习
摘要
理解系统内的因果关系对于揭示其底层机制至关重要。因果发现方法有助于从时间序列数据构建此类模型，具有显著推动科学和工程领域发展的潜力。本研究引入了交叉映射相干性（CMC）方法，旨在揭示时间序列之间在频域中的因果联系。CMC建立在非线性状态空间重构的基础上，并通过利用相干性度量进行评估，将收敛交叉映射算法扩展到频域。我们使用逻辑斯蒂映射、洛伦兹系统、仓本振荡器以及视觉皮层Wilson-Cowan模型的仿真来测试交叉映射相干性方法。CMC在所有仿真场景中都准确识别了因果连接的方向。当应用于Wilson-Cowan模型时，CMC产生了与谱格兰杰因果关系相似的一致结果。此外，CMC在检测弱连接方面表现出高灵敏度，展示了样本效率，并在存在噪声的情况下保持鲁棒性。总之，确定跨不同频带的有向因果影响的能力，使CMC能够为复杂非线性系统的动力学提供有价值的见解。
引用
@article{arxiv.2407.20694,
title = {Detecting Causality in the Frequency Domain with Cross-Mapping Coherence},
author = {Zsigmond Benkő and Bálint Varga and Marcell Stippinger and Zoltán Somogyvári},
journal= {arXiv preprint arXiv:2407.20694},
year = {2024}
}