Oct, 2012

固有分组结构的网络格兰杰因果关系

PDF
TL;DR本研究针对高维网络模型的估计问题，采用 Granger 因果模型框架，利用稀疏边缘和内在节点分组结构的假设，引入削减版本的 Group Lasso 估计器，发现了网络节点之间的 Granger 因果交互作用，并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较，评估了该方法的性能。
high-dimensional network modelsgranger causal modelsgroup lasso estimatornetwork structuresimulation studies
发现论文，激发创造
  • 核格兰杰因果性及动态网络分析

    本文提出了一种基于核方法的分析动态网络的方法，该方法不需要先验假设网络是有向无环图。提出的方法已应用于混沌映射、模拟基因调控网络和真实表达数据中，针对肿瘤发展研究了 19 种涉及肿瘤发展相关基因的因果关系。

    Mar, 2008

  • 神经葛兰杰因果关系

    利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

    Feb, 2018

  • 高维向量自回归的低秩和结构化建模

    提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用，该方法采用核范数和 lasso（或 group lasso）惩罚的组合正则化框架，证明了该方法的估计误差速率的非渐近性上界，并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。

    Dec, 2018

  • 因果推断、社交网络、链图

    本文介绍并验证了一种关于干预和传染网络数据的简洁参数化方法（所谓链图模型），通过使用美国最高法院在 1994 年至 2004 年之间的案例数据和模拟数据对社交网络中的集体决策进行因果推断。

    Dec, 2018

  • Granger 因果分析中动态网络的协同作用和冗余

    通过 Granger 因果分析来研究复杂网络子系统之间信息流的协同作用和冗余性，发现部分条件的 Granger 因果分析是有效的方法，该方法可以根据数据结构选择合适的变量作为条件来实现，同时通过将网络分成两个子集来描述冗余效应和提供更好的因果关系描述。实际应用中，研究表明复杂网络存在协同作用和冗余性。

    Mar, 2014

  • 使用自解释神经网络的 Granger 因果关系可解释模型

    本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。

    Jan, 2021

  • 通过非凸正则化共同学习多个格兰杰因果网络：推断群体级别的脑连接

    本文介绍了一种基于稀疏学习的方法，通过多个 Granger 图对多个时间序列进行联合学习以发现共同和差异的 Granger 因果关系结构，该方法在 ADHD 的 fMRI 数据集中找到了两组个体的大脑连接机制及其差异。

    May, 2021

  • 网络因果效应的自动 G - 计算

    该论文提出了一种基于网络分析的新的统计方法，可以用于推断出现具有干扰和长程依赖的网络单元的平均因果效应，并通过自动 - g 计算算法进行推断。

    Sep, 2017

  • 格兰杰因果关系：回顾与最新进展

    本文对 Granger 因果性的早期发展和辩论进行了回顾，并讨论了近期针对该概念局限性的各种改进，从高维时间序列模型到考虑非线性、非高斯观测的模型，以及允许子样本和混合频率时间序列的模型。

    May, 2021

  • 格兰杰因果性：基本理论及其在神经科学中的应用

    本文介绍了 Granger 因果性的概念和数学框架，包括双变量 Granger 因果性和条件 Granger 因果性的谱表示。通过研究大规模震荡皮层网络的多通道局部场电位，揭示了神经计算的协同性质。

    Aug, 2006