Inferring Causality from Time Series data based on Structural Causal Model and its application to Neural Connectomics
基于结构因果模型的时间序列因果推断及其神经连接组应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列的结构因果模型、条件依赖检验及因果图恢复。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于结构因果模型的时间序列因果推断及其神经连接组应用
- 研究问题
- 在平稳、无同期效应的马尔可夫结构因果模型中，如何利用时间序列的条件依赖关系恢复因果图，并识别神经活动连接？
- 方法与思路
- 作者提出 CITS 算法，使用条件依赖检验；分别讨论偏相关和 Hilbert-Schmidt 准则，并在混合条件下分析图恢复保证。
- 材料陈述的贡献
- 摘要称，论文证明算法恢复真实因果图的数学保证，开展模拟比较，并应用于小鼠视觉皮层电生理记录的因果功能连接分析。
- 阅读关注点
- 阅读时应核对图恢复所需的完整条件、条件依赖检验的适用范围，以及实际神经数据能否满足平稳性与无同期效应要求。
- 阅读边界
- 本条依据 arXiv 预印本摘要，同行评审与接收未核实；摘要未给出完整定理条件，理论保证不能直接证明真实神经连接已被识别。
原文摘要
Inferring causation from time series data is of scientific interest in different disciplines, particularly in neural connectomics. While different approaches exist in the literature with parametric modeling assumptions, we focus on a non-parametric model for time series satisfying a Markovian structural causal model with stationary distribution and without concurrent effects. We show that the model structure can be used to its advantage to obtain an elegant algorithm for causal inference from time series based on conditional dependence tests, coined Causal Inference in Time Series (CITS) algorithm. We describe Pearson's partial correlation and Hilbert-Schmidt criterion as candidates for such conditional dependence tests that can be used in CITS for the Gaussian and non-Gaussian settings, respectively. We prove the mathematical guarantee of the CITS algorithm in recovering the true causal graph, under standard mixing conditions on the underlying time series. We also conduct a comparative evaluation of performance of CITS with other existing methodologies in simulated datasets. We then describe the utlity of the methodology in neural connectomics -- in inferring causal functional connectivity from time series of neural activity, and demonstrate its application to a real neurobiological dataset of electro-physiological recordings from the mouse visual cortex recorded by Neuropixel probes.