Deciphering interventional dynamical causality from non-intervention complex systems

doi:10.1016/j.xinn.2026.101358

Deciphering interventional dynamical causality from non-intervention complex systems

2026-03-30

0

OA

AI

DOI：10.1016/j.xinn.2026.101358

原文链接

查看原文

摘要

En 中文

检测和量化因果关系是科学、工程学及跨学科研究领域的核心议题。然而，针对非干预系统的因果研究虽备受关注，但仍极具挑战性。延迟嵌入技术提供了一种有前景的方法。本研究提出了一种名为干预动态因果关系（IntDC）的框架，以区别于传统的构造性动态因果关系（ConDC）。ConDC，包括格兰杰因果关系、转移熵和交叉映射收敛，通过构建动态模型测量因果关系，但不考虑干预因素。我们提出了一种计算准则——干预嵌入熵（IEE），用于以干预方式测量因果强度。IEE是一种在延迟嵌入空间中的干预因果信息流。此外，IEE在理论和数值上能够仅从观测（非干预）时间序列数据中揭示IntDC，无需了解所考虑系统的动态模型或实际干预。具体而言，IEE可用于根据重要性对因果效应进行排序，并从数据中构建因果网络。我们在Logistic动力学、耦合Hénon映射和混沌神经网络中进行了数值实验，证明IEE能够准确识别因果边、消除混淆效应，并比传统指标更稳健地量化因果强度。我们还将IEE应用于实际任务，包括估算线虫C. elegans的神经连接组、检测日本的COVID-19传播网络，以及研究关键昼夜节律基因周围的调控网络。IEE作为仅基于观测数据的因果分析工具，表现出准确性和稳健性。本研究提出的IntDC框架和IEE算法为理解各类非干预复杂系统中的因果影响提供了一种方法。

Keyword:

dynamical systems

causal influence

delay embedding

interventional embedding entropy

network reconstruction

Deciphering interventional dynamical causality from non-intervention complex systems

摘要

AI总结

期刊

机构

引用论文