ترجمه فارسی مقاله علیت دینامیکی تحت عوامل مخدوش‌کننده نامرئی

چکیده

Causality inference is prone to spurious causal interactions, due to the substantial confounders in a complex system. While many existing methods based on the statistical methods or dynamical methods attempt to address misidentification challenges, there remains a notable lack of effective methods to infer causality, in particular in the presence of invisible/unobservable confounders. As a result, accurately inferring causation with invisible confounders remains a largely unexplored and outstanding issue in data science and AI fields. In this work, we propose a method to overcome such challenges to infer dynamical causality under invisible confounders (CIC method) and further reconstruct the invisible confounders from time-series data by developing an orthogonal decomposition theorem in a delay embedding space. The core of our CIC method lies in its ability to decompose the observed variables not in their original space but in their delay embedding space into the common and private subspaces respectively, thereby quantifying causality between those variables both theoretically and computationally. This theoretical foundation ensures the causal detection for any high-dimensional system even with only two observed variables under many invisible confounders, which is actually a long-standing problem in the field. In addition to the invisible confounder problem, such a decomposition actually makes the intertwined variables separable in the embedding space, thus also solving the non-separability problem of causal inference. Extensive validation of the CIC method is carried out using various real datasets, and the experimental results demonstrates its effectiveness to reconstruct real biological networks even with unobserved confounders.

چکیده به فارسی (ترجمه ماشینی)

استنباط علیت مستعد تعامل علیت فریبنده است ، به دلیل مخدوش کننده های قابل توجه در یک سیستم پیچیده.در حالی که بسیاری از روشهای موجود مبتنی بر روشهای آماری یا روشهای دینامیکی سعی در رفع چالش های نادرست دارند ، عدم وجود روشهای مؤثر برای استنباط علیت ، به ویژه در حضور مخدوشان نامرئی/ناآگاه ، باقی مانده است.در نتیجه ، علیت دقیق استنباط شده با مخدوشان نامرئی یک مسئله کاملاً ناشناخته و برجسته در زمینه داده ها و زمینه های هوش مصنوعی است.در این کار ، ما روشی را برای غلبه بر چنین چالش هایی برای استنباط علیت دینامیکی تحت مخدوشان نامرئی (روش CIC) و بازسازی بیشتر متقاضیان نامرئی از داده های سری زمانی با ایجاد یک قضیه تجزیه متعامد در یک فضای تعبیه شده پیشنهاد می کنیم.هسته اصلی روش CIC ما در توانایی آن در تجزیه متغیرهای مشاهده شده نه در فضای اصلی آنها بلکه در تأخیر در تعبیه آنها به ترتیب در فضای مشترک و خصوصی قرار دارد ، از این طریق علیت بین آن متغیرها را از نظر تئوری و محاسباتی تعیین می کند.این بنیاد نظری ، تشخیص علی را برای هر سیستم با ابعاد بالا حتی با تنها دو متغیر مشاهده شده در زیر بسیاری از مخازن نامرئی تضمین می کند ، که در واقع یک مشکل دیرینه در این زمینه است.علاوه بر مسئله مخدوش نامرئی ، چنین تجزیه در واقع باعث می شود متغیرهای درهم تنیده در فضای تعبیه شده از هم جدا شوند ، بنابراین مشکل غیر قابل تفکیک استنباط علی را نیز حل می کند.اعتبارسنجی گسترده روش CIC با استفاده از مجموعه داده های مختلف واقعی انجام می شود ، و نتایج تجربی اثربخشی آن را در بازسازی شبکه های بیولوژیکی واقعی حتی با مخدوشان غیرقابل محافظت نشان می دهد.