XiaoMi-AI文件搜索系统
World File Search Systemcausa
行为过程中脉冲和场电位信号之间的多尺度因果关系建模
摘要 目的。脑记录在多个时空尺度上表现出动态，这些动态可以用脉冲序列和更大规模的场电位信号来测量。为了研究神经过程，重要的是不仅要在单个活动尺度上识别和建模因果关系，还要在多个尺度上识别和建模因果关系，即脉冲序列和场电位信号之间。标准因果关系度量在这里不直接适用，因为脉冲序列是二值，而场电位是连续值。因此，重要的是开发计算工具来恢复行为过程中的多尺度神经因果关系，评估它们在神经数据集上的性能，并研究多尺度因果关系建模是否可以提高神经信号的预测能力，使其超出单尺度因果关系所能达到的范围。方法。我们设计了一种基于有向信息的多尺度模型的 Granger 类因果关系方法，并评估其在现实的生物物理脉冲场模拟和两个执行运动行为的非人类灵长类动物 (NHP) 的运动皮层数据集中的成功率。为了计算多尺度因果关系，我们学习了点过程广义线性模型，该模型基于脉冲序列和场电位信号的历史来预测给定时间的脉冲事件。我们还学习了线性高斯模型，该模型基于场电位信号自身的历史以及二元脉冲事件或潜在放电率的历史来预测给定时间的场电位信号。主要结果。我们发现，尽管存在模型不匹配，但我们的方法仍揭示了生物物理模拟中真正的多尺度因果关系网络结构。此外，与仅对单尺度因果关系进行建模相比，在 NHP 神经数据集中具有已识别多尺度因果关系的模型可以更好地预测脉冲序列和场电位信号。最后，我们发现与 NHP 数据集中的二元脉冲事件相比，潜在放电率是场电位信号的更好预测因子。意义。这种多尺度因果关系方法可以揭示跨大脑活动时空尺度的定向功能相互作用，从而为基础科学研究和神经技术提供信息。
因果序叠加的不成立定理
事件的因果顺序不必固定：在某个站点，一辆公交车是先于另一辆公交车到达还是晚于另一辆公交车到达可能取决于其他变量，比如交通状况。因果顺序的相干量子控制也是可能的，而且是多种任务的有用资源。然而，量子控制意味着控制系统携带着哪种顺序的信息——如果控制被追踪，事件的顺序将保持概率混合。两个事件的顺序可以是纯叠加，与任何其他系统不相关吗？这里我们表明，对于一类广泛的过程来说，这是不可能的：任何一对具有相同局部维度和不同因果顺序的马尔可夫幺正过程的纯叠加都不是有效过程，即当用某些操作探测时，它会导致非正则化概率。这一结果对量子信息处理的新资源和量子引力理论中的可能过程施加了限制。
稳定的学习在因果推理和机器学习之间建立了一些共同的基础
achine学习已被合并为在各种数字服务中进行预测，从搜索引擎到电子商务再到社交媒体平台，从而培养了蓬勃发展的数字经济。在这些情况下，机器学习技术的预测准确性和效率是优化的目标，但是错误预测的潜在风险不太重要。对于诸如预测点击或分类图像之类的应用程序，模型可以经常更新，并且错误不太昂贵。因此，这些应用领域非常适合黑框技术与持续的性能监控相结合。近年来，机器学习已在更广泛的领域中应用，甚至进入医疗保健，工业制造业，融资和司法管理等高风险领域。在这些领域，机器学习算法造成的错误可能会带来巨大的风险，并且错误对诸如安全，道德和正义等社会问题产生了重大影响，尤其是当算法预测在决策过程中起着重要作用时。在这种情况下，环境可能会比模型更新更快，而短期预测性能以外的属性变得越来越重要。特别是，我们认为缺乏稳定性，解释性和公平性保证是当今机器学习中必须解决的最关键和最紧迫的因素。
空间导航和空间言语记忆形成过程中海马体和前额叶皮质之间因果信息流的可复制模式
海马体和前额叶皮层 (PFC) 之间的相互作用在人类空间导航和情景记忆中都发挥着重要作用，但这些区域之间跨任务域的潜在信息因果流尚不清楚。在这里，我们使用颅内脑电图记录和光谱分辨相位转移熵来研究两种不同的虚拟空间导航和记忆编码/回忆任务中的信息流，并检查信息流模式在空间和言语记忆域中的可复制性。信息理论分析表明，从海马体到侧 PFC 的因果信息流比反向更高。至关重要的是，在两种空间导航任务的记忆编码和回忆期间观察到了不对称的信息流模式。进一步的分析揭示了相互作用的频率特异性，其特征是在 delta-theta 波段 (0.5-8 Hz) 中，从海马体到 PFC 的自下而上的信息流更大；相反，在 beta 波段 (12-30 Hz) 中，从 PFC 到海马体的自上而下的信息流更强。贝叶斯分析表明，两个空间导航任务（贝叶斯因子 > 5.46e + 3）以及跨空间和言语记忆域的任务（贝叶斯因子 > 7.32e + 8）之间具有高度的可重复性。我们的研究结果确定了人类大脑在记忆形成过程中参与的独立于域且可复制的频率相关反馈回路。
一种新的孟德尔随机化方法来估计多变量脑成像暴露的因果效应
大型研究队列中同时收集的成像遗传学数据的出现提供了前所未有的机会，通过将遗传变异作为工具变量来评估大脑成像特征对外部测量的实验结果（例如认知测试）的因果关系。然而，经典的孟德尔随机化方法在处理高通量成像特征作为识别因果关系的暴露时受到限制。我们提出了一个新的孟德尔随机化框架来联合选择工具变量和成像暴露，然后估计多变量成像数据对结果的因果关系。我们通过大量数据分析验证了所提出的方法，并将其与现有方法进行了比较。我们进一步应用我们的方法来评估白质微结构完整性（WM）对认知功能的因果关系。研究结果表明，与单独评估单次暴露的因果效应和联合评估多次暴露的因果效应（未进行降维）相比，我们的方法在灵敏度、偏差和错误发现率方面取得了更好的表现。我们的应用结果表明，不同区域的 WM 测量具有联合因果效应，对英国生物库参与者的认知功能有显著影响。
使用观察数据回答因果问题
大多数应用科学都关注于揭示因果关系。在许多领域，随机对照试验 (RCT) 被认为是实现这一目标的黄金标准。系统地使用 RCT 来研究因果关系（例如评估医疗效果）已为社会带来了巨大的福利收益。然而，由于财务、道德或实际限制，许多重要问题（尤其是社会科学问题）无法使用受控随机实验进行研究。例如，学校停课对学生学习和 COVID-19 病毒传播有何影响？低技能移民对就业和工资有何影响？机构如何影响经济发展？实施最低工资如何影响就业？在回答这些类型的问题时，研究人员必须依赖观察数据，即没有受控实验变异生成的数据。但对于观察数据，会出现一个基本的识别问题：任何相关性的根本原因仍不清楚。如果我们观察到最低工资和失业率相关，这是因为最低工资导致失业吗？还是因为失业和工资分配底层的工资增长较低导致了最低工资的引入？还是因为无数其他因素影响失业和引入最低工资的决定？此外，在许多情况下，随机变异本身不足以确定平均治疗效果。
金融发展与...
This paper uses panel Granger causality estimations with the approaches developed by Nair- Reichert and Weinhold (2001), and Bangake and Eggoh (2011) as well as the Dumitrescu and Hurlin (2012) test, with the algorithm developed by Lopez and Weber (2017), to analyse the causality relations between all the nine IMF financial development indices, and the real GDP growth considering a sample of 46各大洲在1990年至2017年间都传播的国家。获得的结果揭示了这些因果关系的动态特征，总体而言，将金融机构指数与金融市场指数的指数进行比较时，没有发现显着差异。结果证实了双向因果关系的存在，尽管对所有IMF指数没有相同的统计鲁棒性，从而解决了金融发展的相关方面：金融机构和市场的访问，深度和效率。
使用遗传变异来评估降低胆固醇对头颈癌风险的因果影响：孟德尔随机化研究
1 MRC 综合流行病学部，人口健康科学系，布里斯托尔医学院，布里斯托尔大学，英国布里斯托尔，2 布里斯托尔牙科医院和学院，布里斯托尔大学，英国布里斯托尔，3 布里斯托尔医学院，布里斯托尔大学，英国布里斯托尔，4 布里斯托尔大学医院和韦斯顿 NHS 基金会信托国家健康研究所布里斯托尔生物医学研究中心，布里斯托尔大学，英国布里斯托尔，5 埃克塞特大学医学院，RILD 大楼，RD&E 医院，埃克塞特，英国，6 世界卫生组织遗传流行病学组，国际癌症研究机构，法国里昂，7 意大利罗马天主教圣心大学生命科学与公共卫生系卫生科，8 妇女儿童健康和公共卫生部，公共卫生领域，基金会意大利罗马 A. Gemelli IRCCS 大学综合医院，9 美国北卡罗来纳州教堂山北卡罗来纳大学吉林斯全球公共卫生学院流行病学系，10 美国宾夕法尼亚州匹兹堡匹兹堡大学公共卫生研究生院和 UPMC Hillman 癌症中心人类遗传学系，11 加拿大多伦多西奈医疗系统 Lunenfeld-Tanenbaum 研究所 Prosserman 人口健康研究中心，12 加拿大多伦多多伦多大学 Dalla Lana 公共卫生学院，13 加拿大多伦多玛格丽特公主癌症中心，14 英国布里斯托尔布里斯托尔大学细胞与分子医学学院，15 巴西圣保罗圣何塞杜里奥普雷图医学院，16 以色列阿尔伯特医院阿尔伯特爱因斯坦研究与教育研究所爱因斯坦，巴西圣保罗，17 荷兰马斯特里赫特大学医学中心 GROW 研究所耳鼻咽喉科和头颈外科系
利用图神经网络实现多模态因果性，实现可解释人工智能的信息融合
人工智能取得了显著的成功，在某些任务上甚至在医学等复杂领域都比人类专家表现更好。另一方面，人类擅长多模态思维，可以几乎立即将新输入嵌入到由经验塑造的概念知识空间中。在许多领域，目标是建立能够自我解释的系统，参与交互式假设问题。这类问题被称为反事实问题，在可解释人工智能 (xAI) 这一新兴领域中变得越来越重要。我们的核心假设是，使用概念知识作为现实的指导模型将有助于训练更可解释、更稳健、偏差更小的机器学习模型，理想情况下能够从更少的数据中学习。医学领域的一个重要方面是各种模态对一个结果有贡献。我们的主要问题是“如何使用知识库作为开发新解释界面技术的初始连接器来构建多模态特征表示空间（涵盖图像、文本、基因组数据）？”。在本文中，我们主张使用图神经网络作为一种选择方法，实现多模态因果关系的信息融合（因果关系——不要与因果关系混淆——是人类专家对因果关系的解释达到特定理解水平的可衡量程度）。本文旨在激励国际 xAI 社区进一步研究多模态嵌入和跨
drug2ways：生物学网络中因果路径的推理
阐明负责疾病的因果机制可以揭示药理学干预的潜在治疗靶标，并因此指导药物重新定位和疾病。本质上，网络的拓扑结构可以揭示候选药物对特定生物学状态的影响，从而为增强疾病表征和高级疗法设计带来了道路。基于网络的方法特别适合这些目的，因为它们具有鉴定疾病潜在的分子机制的能力。在这里，我们提出了Drug2ways，这是一种新的方法，该方法利用多模态因果网络来预测候选药物。drug2ways实现了一种有效的算法，该算法的原因是，大规模生物网络中因果路径的原因是为给定疾病提出候选药物。我们使用临床试验信息验证了我们的方法，并证明了如何将药物2道路用于多种应用来识别：i）单靶药物候选者，ii）具有可以优化多个目标的多药理学特性的候选者，以及iii）候选候选者组合治疗。最后，我们使科学界的药物2道路可作为Python软件包，该软件包可以以多种标准网络格式进行这些应用程序。