XiaoMi-AI文件搜索系统
World File Search SystemCausal
超扫描脑电图时间序列中 PCMCI 的定向因果效应
社交活动可能会对参与协作社交情境的人的大脑产生影响或反应。本研究评估了一种新方法 Tigramite，用于对此类情境中人的前额皮质 (PFC) 之间的定向因果关系进行时间域分析。实验情境采用超扫描脑电图，个人以手指敲击节奏相互引导和跟随。这项结构化任务持续时间长，前额皮质中发生脑间因果反应的可能性很高。Tigramite 是一种基于图形的因果发现方法，用于识别观察时间序列中的定向因果关系。Tigramite 用于分析 PFC 内部和之间的定向因果关系。在社交互动过程中，可以检测到大脑内部和之间的显著定向因果关系。这是 Tigramite 可以揭示超扫描脑电图时间序列中脑间和脑内定向因果效应的第一个经验证据。这一发现有望利用 Tigramite 在时间域的脑电图上进一步研究社交活动中神经网络的因果关系。
长covid中的因果基因发现的综合多词框架
1* Unisa STEM，南澳大利亚大学，Mawson Lakes，Adelaide 6，5095，SA，澳大利亚。7 2农业和食品，英联邦科学与工业研究8组织，26 Pembroke Rd，Marsfield，2122，新南威尔士州，澳大利亚。9 3澳大利亚精密健康中心，南澳大利亚大学，阿德莱德10号，澳大利亚，5000，澳大利亚。11 4 Unisa Allied Health and Human Expormast，南12澳大利亚大学，阿德莱德，SA，5000，澳大利亚。13 5南澳大利亚卫生与医学研究所（SAHMRI），南澳大利亚大学14号，阿德莱德大学，澳大利亚5000，澳大利亚。15 6南澳大利亚大学未来工业学院，莫森16湖，阿德莱德，5095，澳大利亚，澳大利亚。17 7应用人工智能研究所，迪金大学，75 Pigdons 18 Rd，Victoria，3216，澳大利亚墨尔本。19 8达利大学工程学院，达利2号，达利，671003，中国20号。21
具有量子热噪声的量子计量的不确定因果顺序
研究了具有不确定因果顺序的切换量子通道，用于受量子热噪声影响的量子比特幺正算子相位估计的基本计量任务。报告显示，不确定顺序的切换通道具有特定功能，而传统的确定顺序估计方法则无法实现这些功能。相位估计可以通过单独测量控制量子比特来执行，尽管它不会主动与幺正过程交互 - 只有探测量子比特会这样做。此外，使用完全去极化的输入探针或与幺正旋转轴对齐的输入探针可以进行相位估计，而这在传统方法中是不可能的。本研究扩展到热噪声，之前已使用更对称和各向同性的量子比特去极化噪声进行了研究，它有助于及时探索与量子信号和信息处理相关的具有不确定因果顺序的量子通道的属性。
1型糖尿病与心血管疾病之间的因果关系：A
方法：我们从欧洲血统最大的全基因组关联研究（GWAS）中选择了T1DM的遗传仪器和七个CVD进行MR分析。三种互补方法：使用逆差异加权（IVW），加权中位数和MR-Egger进行MR估计。通过
关注生物神经动力学的因果关系发现
本文探讨了变压器模型在每个节点（如神经生物学和生物物理网络）中具有复杂非线性动力学的网络中学习Granger因果关系的潜力。我们的研究主要集中于基于模拟神经动力学的概念验证研究，为此，通过基本的连通性矩阵已知地面真实性因果关系。对于经过训练的预测神经元种群动态的变压器模型，我们表明，交叉注意模块有效地捕获了神经元之间的因果关系，其精度相等或优于最流行的Granger因果关系分析方法。我们承认，现实世界的神经生物学数据将带来进一步的挑战，包括动态连通性和未观察到的可变性，但这项研究为神经科学中因果代表学习的变压器模型的实用性提供了令人鼓舞的初步瞥见。
与脑老化相关的遗传变异和致病生物标志物的研究
与脑衰老相关的遗传变异和因果生物标志物的研究 Jangho Kim、Junhyeong Lee 和 Seunggeun Lee 首尔国立大学数据科学研究生院，韩国 通讯作者：Seunggeun Lee 首尔国立大学数据科学研究生院，韩国首尔 lee7801@snu.ac.kr 摘要 年龄差异是脑衰老的生物标志物，可以捕捉实际年龄与脑部 MRI 预测年龄之间的差异。本研究通过分三步分析英国生物银行数据，探究了高年龄差异的可解释因果基础。脑区域的视觉显著性图显示，穹窿和丘脑下部体积较小是高年龄差异的关键预测因素。对单一变异和基因区域进行的遗传关联分析发现，与致癌作用、免疫反应和神经元存活相关的基因与高年龄差异有关。所有代谢组生物标志物和血液相关表型的孟德尔随机化 (MR) 表明，免疫相关表型对增加年龄增量具有因果影响。综合起来，这些观察结果揭示了大脑中易受衰老过程影响的区域，并提供了免疫反应与大脑衰老之间存在因果和遗传联系的证据。关键词：年龄增量、大脑衰老、因果关系、CNN、可解释的人工智能、GWAS、孟德尔随机化、免疫
建立最少和可重复使用的因果状态抽象来加强学习
两种强化学习（RL）算法的Desiderata是从相对较少的经验学习和学习概括到一系列问题规格的政策的能力的能力。在有方面的状态空间中，实现这两个目标的一种方法是学习状态抽象，这仅保留学习手头的任务的必要变量。本文介绍了因果分配模型（CBM），该方法可以了解每个任务的动力学和奖励功能中的因果关系，以得出最小，特定于任务的抽象。CBM利用并改进了隐式建模，以训练可以在同一环境中所有任务重复使用的高保真因果动力学模型。对操纵环境和DeepMind Control Suite的经验验证表明，CBM学到的隐式动力学模型比显式的因果关系模型更准确地识别了基本的因果关系和状态抽象。此外，派生的状态抽象允许任务学习者在所有任务上实现近门槛级别的样本效率和表现优于基础线。
使用机器学习来测试联合分析中的因果假设
抽象的联合分析是一种流行的实验设计，用于测量多维偏好。许多研究人员专注于估计每个因素的平均边际影响，同时平均其他因素。尽管这允许基于直接设计的估计，但结果严重取决于因素相互作用的方式。一种基于模型的替代方法可以计算各种兴趣，但需要正确的模型规格，这是与许多因素的联合分析的挑战性任务。我们根据条件随机测试（CRT）提出了一种新的假设检验方法，以回答联合分析的最基本问题：考虑到其他因素，感兴趣的因素是否重要？尽管它仅提供对这些二进制问题的正式测试，但CRT仅基于因素的随机化，因此不需要建模假设。这意味着CRT可以通过启用任何测试统计量（包括基于复杂的机器学习算法的测试统计量）来提供强大而假设的统计测试。我们还展示了如何测试常用的规律性假设。最后，我们将提出的方法应用于移民偏好的联合分析。可以实施一个开源软件包。提出的方法是通过开放式软件R软件包CRTConchoint实现的，可通过综合R档案网络https://cran.r-project.org/web/web/packages/crtconjoint/index.html获得。
因果关系间神经调节促进中风中的突触和神经行为抑制
。cc-by-nc-nd 4.0国际许可证可永久提供。是作者/资助者，他已授予Medrxiv的许可证，以显示预印本（未通过同行评审证明）预印版本的版权所有者此版本发布于2025年3月11日。 https://doi.org/10.1101/2025.03.10.25323712 doi：medrxiv preprint
概念级因果解释方法脑功能网络分类
使用深层模型对辅助诊断和脑部疾病治疗进行分类，对大脑功能网（BFN）进行分类。但是，深层模型的无法解释，严重阻碍了他们在计算机辅助诊断中的应用。此外，当前的解释方法主要集中在自然效果上，该方法不能直接用于解释BFN分类的深层模型。在本文中，我们提出了一种新颖的概念级因果解释方法，用于BFN分类，称为CLCEM。首先，CLCEM采用因果学习方法来提取对BFN的人类有意义的概念。第二，它汇总了相同的概念，以获得每个概念对模型输出的贡献。最后，Clcem添加了每个概念以做出诊断的基础。实验结果表明，我们的CLCEM不仅可以准确地识别与特定脑部疾病有关的大脑区域，而且还可以根据这些大脑区域的概念做出决策，这使得人可以理解决策过程而不会降低绩效。