Robust inference of causality in high-dimensional dynamical processes from the Information Imbalance of distance ranks
利用距离秩的信息不平衡推断高维动态过程的因果关系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：摘要研究利用时间演化与预测信息识别动态系统的因果方向。
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…
利用距离秩的信息不平衡推断高维动态过程的因果关系
- 研究问题
- 对于仅观测部分变量的高维动态系统，能否利用时间演化信息识别方向性联系，而无需显式建立动力学模型或估计概率密度？
- 方法与思路
- 作者基于距离秩的信息不平衡构造变分方案，考察加入潜在驱动系统 X 的信息后，是否改善对被驱动系统 Y 的预测。
- 材料陈述的贡献
- 摘要称该方法在耦合混沌系统基准中优于其他无模型方法，可处理单向和双向耦合，并展示了在人类脑电数据中的应用。
- 阅读关注点
- 应核对预测改善如何支持因果解释、潜在共同驱动与部分观测如何处理，以及距离选择、时滞与基准比较对结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明因果识别条件，预测信息增益本身不能保证干预意义的因果关系。
原文摘要
We introduce an approach which allows detecting causal relationships between variables for which the time evolution is available. Causality is assessed by a variational scheme based on the Information Imbalance of distance ranks, a statistical test capable of inferring the relative information content of different distance measures. We test whether the predictability of a putative driven system Y can be improved by incorporating information from a potential driver system X, without explicitly modeling the underlying dynamics and without the need to compute probability densities of the dynamic variables. This framework makes causality detection possible even between high-dimensional systems where only few of the variables are known or measured. Benchmark tests on coupled chaotic dynamical systems demonstrate that our approach outperforms other model-free causality detection methods, successfully handling both unidirectional and bidirectional couplings. We also show that the method can be used to robustly detect causality in human electroencephalography data.