近日，复旦大学数学科学学院、类脑智能科学与技能研究院的林伟教授团队，与中国科学院、苏州大学、日本东京大学等团队共同互助，提出了数据驱动的因果网络辨识的新型算法。
该方法可以用于大规模繁芜动力系统内蕴因果网络的复现，有助于解析实际系统蜕变的实质机制和规律。
该研究成果于5月26日以《偏交叉映射打消间接因果影响》（“Partial cross mapping eliminates indirect causal influences”）为题在线揭橥于综合类学术期刊《自然-通讯》（Nature Communications）。

传统基于统计学和信息论的因果剖析方法，如格兰杰因果关系、通报熵等方法，须要变量成分之间具有可分性条件，即须要将缘故原由信息从结果信息等分离出来。
然而在现实天下中，特殊是非线性繁芜动力系统所产生的多维度韶光序列中，这样的可分性条件是无法得到知足，因果机制每每交织在同一个韶光序列之中。
另一方面，由于因果关系在多变量之间的通报性，而直接因果关系才能反响征象之间实质的内在机制，因此发展有效可靠算法，区分繁芜动力系统中的直接与间接因果，也成为了主要科学问题。
面向这些问题，本项研究利用动力系统理论清晰阐明了可分性条件的严格数学机理，并综合利用相空间重构、交叉映射、偏干系系数等动力学与统计学干系算法，建立了新型偏交叉映射方法，实现了非线性动力系统中直接因果与间接因果的区分，从而为在大规模数据中辨识可信的因果网络供应了可靠算法。
该算法已被用于生态系统、环境与疾病互作系统以及基因调控网络等多个实际问题中，成功复现了这些繁芜动力学蜕变系统的内蕴因果网络，为进一步理解系统蜕变的基本机制供应了方法学根本。

此项研究进一步完善了现有繁芜系统因果剖析的理论体系，为多学科共性科学问题供应了有效的数学方法，面向数据驱动的研究领域具有广泛的运用前景，表示了运用数学研究的代价。
林伟教授与中国科学院陈洛南研究员、东京大学合原一幸教授是论文共同通讯作者，复旦大学数学科学学院毕业的冷思阳博士为论文的第一作者。
本项研究得到了国家自然科学基金委、教诲部脑科学前沿中央、科技部重大研究操持、上海市科委项目的支持。

来源：数学科学学院

编辑：江丹婷