生成神经科学中的动态因果图假设：利用观测时间序列的生成式因子模型
机器学习
2025-07-04 v3 人工智能
应用统计
机器学习
摘要
假设生成领域有望通过缩小研究各种现象所需的介入性研究范围来降低神经科学成本。现有的机器学习方法可以从复杂数据集中生成科学假设，但许多方法假设因果关系是随时间静态的，这限制了它们对具有动态、状态依赖行为的系统（如大脑）的适用性。虽然一些技术试图通过因子模型进行动态因果发现，但它们通常将关系限制为线性模式或施加其他简化假设。我们提出了一种新颖的方法，将动态图建模为静态图的条件加权叠加，其中每个静态图可以捕捉非线性关系。这种方法能够检测超出线性限制的变量间复杂的、时变的相互作用。在我们的部分实验中，我们的方法在预测动态因果模式上的F1分数平均比基线提高了约22-28%，部分改进远超60%。一项基于真实大脑数据的案例研究证明了我们的方法能够揭示与特定行为状态相关的联系，为神经动力学提供了有价值的见解。
引用
@article{arxiv.2505.20697,
title = {Generating Hypotheses of Dynamic Causal Graphs in Neuroscience: Leveraging Generative Factor Models of Observed Time Series},
author = {Zachary C. Brown and David Carlson},
journal= {arXiv preprint arXiv:2505.20697},
year = {2025}
}