Granger Causality in High-Dimensional Networks of Time Series
高维时间序列网络中的 Granger 因果关系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：摘要直接研究高维时间序列的频域降维与 Granger 关系，应用对象虽为脑信号，方法仍对应时间序列细分。
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…
关注这篇论文的作者
高维时间序列网络中的 Granger 因果关系
- 研究问题
- 在高维脑信号网络中，如何控制其他节点的影响，以识别指定节点对之间的有向预测联系，避免全网维度过高带来的分析困难？
- 方法与思路
- 作者通过频域谱动态主成分分析提取其余节点的低维表示，再从目标节点中去除相应得分影响，随后分析节点间关系并用于模拟和 EEG。
- 材料陈述的贡献
- 摘要提出先压缩网络背景信息再分析目标节点的程序，并称大量模拟支持其有效性，多通道脑电应用展示了方法的可用性。
- 阅读关注点
- 应核对谱动态主成分的选择、得分去除的具体操作及预测关系检验，并检查低维表示能否充分控制其余节点及估计误差如何传递。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明充分控制网络影响的条件，Granger 联系也不能直接解释为结构因果关系。
原文摘要
A novel approach is developed for discovering directed connectivity between specified pairs of nodes in a high-dimensional network (HDN) of brain signals. To accurately identify causal connectivity for such specified objectives, it is necessary to properly address the influence of all other nodes within the network. The proposed procedure herein starts with the estimation of a low-dimensional representation of the other nodes in the network utilizing (frequency-domain-based) spectral dynamic principal component analysis (sDPCA). The resulting scores can then be removed from the nodes of interest, thus eliminating the confounding effect of other nodes within the HDN. Accordingly, causal interactions can be dissected between nodes that are isolated from the effects of the network. Extensive simulations have demonstrated the effectiveness of this approach as a tool for causality analysis in complex time series networks. The proposed methodology has also been shown to be applicable to multichannel EEG networks.