ALD-Lab/SURD

Synergistic-Unique-Redundant Decomposition of causality from time series (Nature Communications, 2024)

解决的问题

SURD 解决了理解时间序列数据中复杂因果关系这一挑战。它将过去事件提供的关于未来目标变量的信息分解为三个不同的类别:冗余(共享信息)、独特(来自单一来源的信息)和协同(由多个来源的交互产生的信息)。它还量化了“因果泄漏”,即未来中无法由观测变量解释的部分。

工作原理

该方法分析过去源事件和未来目标事件的联合概率分布。默认情况下,它使用直方图来估计这些分布,但也支持基于神经网络的估计,适用于变量众多或数据有限的情况。surd.states 子包通过将这些因果贡献解析到变量的特定状态来扩展此功能,使研究人员不仅能看到变量具有因果性,还能看到这种因果性发生在哪些状态。

适用对象

该工具专为处理来自模拟或实验的时间序列数据的研究人员和科学家设计——例如湍流研究、种群动态或复杂系统建模——他们需要超越简单相关性,理解因果互动的具体结构。

亮点

  • 将因果关系分解为冗余、独特和协同成分。
  • 量化因果泄漏以衡量无法解释的信息。
  • 支持基于直方图和基于神经网络的估计,提供灵活性。
  • 包含状态解析分析,以识别特定的因果状态。
  • 兼容多变量系统、各种时间滞后和瞬时链接。
  • 方法论已发表在 Nature Communications 和 Communications Physics 上。

相关

  • 项目
  • 项目
  • 项目
  • 项目