A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity
基于变分自编码器的多层神经格兰杰因果连接学习框架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：摘要围绕动态系统的领先滞后关系及格兰杰关系学习展开，直接对应时间序列方向。
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…
基于变分自编码器的多层神经格兰杰因果连接学习框架
- 研究问题
- 面对多个相关但异质的动态系统，如何联合学习各分量之间的格兰杰关系，同时区分跨系统共有结构与个体特有结构？
- 方法与思路
- 作者提出基于变分自编码器的联合学习框架，在多个动态系统间提取共享及特有关系，并用合成数据和神经生理数据评估。
- 材料陈述的贡献
- 摘要称框架能够联合处理系统间共性与异质性，并与面向单个系统的既有方法比较，在神经生理实验数据中产生可解释结果。
- 阅读关注点
- 应核对格兰杰关系如何由模型参数定义、共享与特有结构如何分离，以及时间滞后、隐变量和比较基准的具体设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或接收。格兰杰关系不自动等同干预因果关系，摘要未提供识别或误差条件。
原文摘要
Granger causality has been widely used in various application domains to capture lead-lag relationships amongst the components of complex dynamical systems, and the focus in extant literature has been on a single dynamical system. In certain applications in macroeconomics and neuroscience, one has access to data from a collection of related such systems, wherein the modeling task of interest is to extract the shared common structure that is embedded across them, as well as to identify the idiosyncrasies within individual ones. This paper introduces a Variational Autoencoder (VAE) based framework that jointly learns Granger-causal relationships amongst components in a collection of related-yet-heterogeneous dynamical systems, and handles the aforementioned task in a principled way. The performance of the proposed framework is evaluated on several synthetic data settings and benchmarked against existing approaches designed for individual system learning. The method is further illustrated on a real dataset involving time series data from a neurophysiological experiment and produces interpretable results.