ترجمه فارسی مقاله تشخیص علیت در حوزه فرکانس با استفاده از همدوسی نگاشت متقاطع

چکیده

Understanding causal relationships within a system is crucial for uncovering its underlying mechanisms. Causal discovery methods, which facilitate the construction of such models from time-series data, hold the potential to significantly advance scientific and engineering fields. This study introduces the Cross-Mapping Coherence (CMC) method, designed to reveal causal connections in the frequency domain between time series. CMC builds upon nonlinear state-space reconstruction and extends the Convergent Cross-Mapping algorithm to the frequency domain by utilizing coherence metrics for evaluation. We tested the Cross-Mapping Coherence method using simulations of logistic maps, Lorenz systems, Kuramoto oscillators, and the Wilson-Cowan model of the visual cortex. CMC accurately identified the direction of causal connections in all simulated scenarios. When applied to the Wilson-Cowan model, CMC yielded consistent results similar to spectral Granger causality. Furthermore, CMC exhibits high sensitivity in detecting weak connections, demonstrates sample efficiency, and maintains robustness in the presence of noise. In conclusion, the capability to determine directed causal influences across different frequency bands allows CMC to provide valuable insights into the dynamics of complex, nonlinear systems.

چکیده به فارسی (ترجمه ماشینی)

درک روابط علی در یک سیستم برای کشف مکانیسم های اساسی آن بسیار مهم است.روشهای کشف علی ، که ساخت چنین مدلهایی را از داده های سری زمانی تسهیل می کند ، این پتانسیل را برای پیشرفت چشمگیر زمینه های علمی و مهندسی نگه می دارد.این مطالعه روش انسجام نقشه برداری متقاطع (CMC) را ارائه می دهد ، که برای آشکار کردن اتصالات علی در حوزه فرکانس بین سری زمانی طراحی شده است.CMC بر روی بازسازی حالت غیرخطی فضای ایجاد می کند و با استفاده از معیارهای انسجام برای ارزیابی ، الگوریتم نقشه برداری متقاطع همگرا را به دامنه فرکانس گسترش می دهد.ما روش انسجام نقشه برداری متقاطع را با استفاده از شبیه سازی نقشه های لجستیک ، سیستم های لورنز ، نوسان سازهای Kuramoto و مدل Wilson-Cowan از قشر بصری آزمایش کردیم.CMC به طور دقیق جهت اتصالات علی را در تمام سناریوهای شبیه سازی شده مشخص کرد.هنگامی که به مدل Wilson-Cowan اعمال شد ، CMC نتایج مداوم مشابه علیت گرنجر طیفی را به همراه داشت.علاوه بر این ، CMC در تشخیص اتصالات ضعیف حساسیت بالایی دارد ، راندمان نمونه را نشان می دهد و استحکام را در حضور نویز حفظ می کند.در نتیجه ، توانایی تعیین تأثیرات علّی کارگردانی در گروههای فرکانس مختلف به CMC اجازه می دهد تا بینش ارزشمندی در مورد پویایی سیستم های پیچیده و غیرخطی ارائه دهد.