精度的力量：复杂系统中的结构感知检测——从客户流失到癫痫发作起始

涌现现象——癫痫发作起始、突发性客户流失或大流行爆发——通常源于复杂系统中隐藏的因果相互作用。我们提出了一种用于其早期检测的机器学习方法，解决了核心挑战：在数据生成过程未知且部分可观测的情况下，揭示并利用系统的潜在因果结构。该方法从一参数估计器族——经验协方差或精度矩阵的幂——中学习最优特征表示，提供了一种原则性的方式来调谐到底层驱动临界事件涌现的结构。监督学习模块随后对学习到的表示进行分类。我们证明了该族的统计一致性，并在癫痫检测和客户流失预测上展示了我们方法的经验有效性，两者均取得了具有竞争力的结果。除了预测之外，为了可解释性，我们确定最优协方差幂表现出良好的可辨识性证据，同时捕捉结构特征，从而将预测性能与可解释的统计结构相协调。