使用零样本时间序列基础模型对功能 MRI 与合成信号进行预测与因果分析
机器学习
2025-09-18 v2
摘要
时间序列预测与因果发现是神经科学的核心，因为预测大脑活动并识别神经群体与神经回路之间的因果关系，有助于阐明认知与疾病的底层机制。随着基础模型的兴起，它们在脑信号预测和因果分析中与传统方法相比表现如何，以及能否应用于零样本设置，仍是一个开放问题。本文中，我们评估了基础模型与经典方法在推断由人类功能磁共振成像测量的自发脑活动中的方向性相互作用方面的表现。传统方法通常依赖 Wiener-Granger 因果关系。我们在零样本和微调设置下测试了基础模型的预测能力，并通过比较模型生成的类 Granger 估计与标准 Granger 因果关系来评估因果性。我们使用从真实因果模型生成的合成时间序列验证了该方法，包括逻辑映射耦合和 Ornstein-Uhlenbeck 过程。该基础模型在零样本预测 fMRI 时间序列方面取得了有竞争力的结果（对照组平均绝对百分比误差为 0.55，患者组为 0.27）。尽管标准 Granger 因果关系未在模型间显示出明确的定量差异，但基础模型对因果相互作用的检测更为精确。总体而言，这些发现表明基础模型具有通用性、强大的零样本性能，以及在时间序列数据的预测和因果发现中的潜在效用。
引用
@article{arxiv.2509.12497,
title = {Prediction and Causality of functional MRI and synthetic signal using a Zero-Shot Time-Series Foundation Model},
author = {Alessandro Crimi and Andrea Brovelli},
journal= {arXiv preprint arXiv:2509.12497},
year = {2025}
}