最小熵因果推断及其在脑网络分析中的应用
统计方法学
2022-09-08 v1 信息论
系统与控制
系统与控制
math.IT
摘要
识别多元时间序列之间的因果关系是数据科学中一个普遍存在的问题。Granger 因果测度（GCM）与条件 Granger 因果测度（cGCM）是神经影像研究中广泛用于因果推断与有效连接分析的统计方法。GCM 与 cGCM 均有基于矩阵分解启发式算法发展的频域形式。本文的目标是利用最小熵（ME）估计的理论框架推广 GCM 与 cGCM 测度及其频域形式。所提出的 ME 估计方法推广了随机过程的经典最小均方误差（MMSE）估计理论。它给出了 cGCM 的三种形式，其中包含 Geweke 原时域 cGCM 作为特例。但三种频域 cGCM 形式均不同于先前方法。基于仿真的实验结果表明，所提频域 cGCM 之一在检测网络连接时相较其他方法具有增强的灵敏度与特异度。在一个基于活体功能性磁共振成像的示例中，所提频域测度 cGCM 能显著增强人脑网络结构连接与有效连接之间的一致性。
引用
@article{arxiv.2209.03329,
title = {Minimum-entropy causal inference and its application in brain network analysis},
author = {Lipeng Ning},
journal= {arXiv preprint arXiv:2209.03329},
year = {2022}
}