利用因果网络标记识别关键转折点的先导信号
机器学习
2024-12-25 v1 数学物理
math.MP
定量方法
机器学习
摘要
精细化设计的早期警示信号始终用于预测复杂系统中的关键转折，从而可能通过及时干预使系统远离灾难性状态。传统信号包括基于统计特性（如节点动力学的方差和自相关）的动力学网络标记（DNB），但忽略了方向性相互作用，因而在捕捉底层机制和同时保持对噪声扰动的鲁棒性方面存在局限。本文因此引入了因果网络标记（CNMs）框架，通过纳入反映变量之间方向性影响的因果指标。实际上，为检测和识别关键转折点的前导信号，本文设计了两种标记：CNM-GC用于线性因果，CNM-TE用于非线性因果，以及不同因果指标的函数表示形式和用于验证系统主导组的聚类技术。通过使用基准模型和真实世界数据集（如脑电癫痫发作）进行演示，CNMs框架显示出比传统DNB指标更高的预测精度和准确度。由于其灵活性和可扩展性，CNMs适用于全面评估系统。最可能的应用方向包括临床疾病中关键转折点的识别。
引用
@article{arxiv.2412.16235,
title = {Utilizing Causal Network Markers to Identify Tipping Points ahead of Critical Transition},
author = {Shirui Bian and Zezhou Wang and Siyang Leng and Wei Lin and Jifan Shi},
journal= {arXiv preprint arXiv:2412.16235},
year = {2024}
}
备注
16 pages, 4 figures