递归揭示复杂时间序列的共享因果驱动因素

未观测的因果力影响着多样的实验时间序列，例如调控基因的转录因子，或操控运动回路的下行神经元。结合斜积动力系统理论与拓扑数据分析，我们表明多个时间序列上同时发生的递归事件揭示了它们共享的未观测驱动信号的结构。我们引入一种基于物理的无监督学习算法，通过迭代构建具有玻璃状结构的递归图来重建因果驱动因素。随着数据量增加，该图上的渗流转变导致随机游走的弱遍历性破缺——从而揭示共享驱动因素的动力学，即便从强 corrupted 测量中亦可。我们将重建精度与混沌驱动因素到响应系统的信息转移率相关联，并发现有效重建通过对驱动因素动力学吸引子的逐步逼近实现。通过对经典信号处理与机器学习技术的广泛基准测试，我们证明了该方法从涵盖生态学、基因组学、流体动力学与生理学的多样实验数据集中提取因果驱动因素的能力。