Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders

当变量之间的相互作用本质上是非线性和非平稳的时，大多数评估复杂动态系统因果关系的方法都会失败。在这里，我们介绍了一种名为时间自编码器因果推断（TACI）的方法，它结合了一种新的代理数据度量因果关系的方法和一种新颖的双头机器学习架构，以识别和测量时变因果关系的方向和强度。通过对合成和真实世界数据集的测试，我们展示了TACI在各种系统中准确量化动态因果交互的能力。我们的研究结果显示了该方法相对于现有方法的有效性，并突显了我们的方法在构建对物理和生物系统中时变相互作用机制的更深入理解方面的潜力。

论文提出了一种新的方法来解决非线性和非平稳系统中因果关系的问题。

TACI方法结合了新的替代数据度量和新的机器学习架构，可以识别和测量时变因果关系的方向和强度。

论文通过对合成和真实世界数据集的测试，证明了TACI方法可以准确量化各种系统中的动态因果关系。该方法比现有方法更有效，并有助于深入理解物理和生物系统中时变交互机制。

最近的相关研究包括因果推断和非线性时间序列分析的方法，例如Granger因果分析和动态贝叶斯网络。