从非干预复杂系统中解读干预性动态因果关系

《The Innovation》:Deciphering interventional dynamical causality from non-intervention complex systems

【字体: 大 中 小 】 时间:2026年03月31日 来源:The Innovation 25.7

编辑推荐:

  Jifan Shi|Yang Li|Juan Zhao|Siyang Leng|Rui Bao|Kazuyuki Aihara|Luonan Chen|Wei Lin复旦大学智能复杂系统与CISOR研究所,中国上海200433摘要检测和量化因果关系是科学、工程学以及跨学科研究领域

  
Jifan Shi|Yang Li|Juan Zhao|Siyang Leng|Rui Bao|Kazuyuki Aihara|Luonan Chen|Wei Lin
复旦大学智能复杂系统与CISOR研究所,中国上海200433

摘要

检测和量化因果关系是科学、工程学以及跨学科研究领域的核心课题。然而,针对非干预系统的因果研究虽然备受关注,但依然极具挑战性。延迟嵌入技术为这一问题提供了一种有前景的解决方法。在本文中,我们提出了一个名为“干预性动态因果关系(IntDC)”的框架,以区别于传统的“建设性动态因果关系(ConDC)”。ConDC通过构建动态模型来衡量因果关系,但其方法并未考虑干预因素,包括格兰杰因果关系、传递熵以及交叉映射的收敛性。我们提出了一种名为“干预嵌入熵(IEE)”的计算标准,用于以干预的角度衡量因果强度。IEE实际上是一种在延迟嵌入空间中的干预性因果信息流。从理论上和数值上讲,IEE能够仅通过观测数据(非干预数据)来解析IntDC,而无需了解系统的动态模型或实际干预情况。特别是,IEE可以根据因果效应的重要性对其进行排序,并根据数据构建因果网络。我们在逻辑动态系统、耦合Hénon映射和混沌神经网络上进行了数值实验,证明了IEE能够准确地识别因果关系、消除混淆因素的影响,并比传统指标更稳健地量化因果强度。此外,我们还将IEE应用于实际任务,包括估计秀丽隐杆线虫的神经连接组、检测日本地区的COVID-19传播网络,以及研究关键生物钟基因的调控网络。结果表明,IEE是一种仅基于观测数据的准确且可靠的因果分析工具。本研究提出的IntDC框架和IEE算法为理解多种非干预复杂系统中的因果关系提供了有效方法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号