ترجمه فارسی مقاله آیا علیت گرنجر چند متغیره می‌تواند اتصال مستقیم یک مدل شبکه تصمیم‌گیری بیولوژیکی چندپایدار و پویا را تشخیص دهد؟

چکیده

Extracting causal connections can advance interpretable AI and machine learning. Granger causality (GC) is a robust statistical method for estimating directed influences (DC) between signals. While GC has been widely applied to analysing neuronal signals in biological neural networks and other domains, its application to complex, nonlinear, and multistable neural networks is less explored. In this study, we applied time-domain multi-variate Granger causality (MVGC) to the time series neural activity of all nodes in a trained multistable biologically based decision neural network model with real-time decision uncertainty monitoring. Our analysis demonstrated that challenging two-choice decisions, where input signals could be closely matched, and the appropriate application of fine-grained sliding time windows, could readily reveal the original model’s DC. Furthermore, the identified DC varied based on whether the network had correct or error decisions. Integrating the identified DC from different decision outcomes recovered most of the original model’s architecture, despite some spurious and missing connectivity. This approach could be used as an initial exploration to enhance the interpretability and transparency of dynamic multistable and nonlinear biological or AI systems by revealing causal connections throughout different phases of neural network dynamics and outcomes.

چکیده به فارسی (ترجمه ماشینی)

استخراج اتصالات علّی می تواند AI قابل تفسیر و یادگیری ماشین را پیش ببرد.علیت گرنجر (GC) یک روش آماری قوی برای برآورد تأثیرات کارگردانی (DC) بین سیگنال ها است.در حالی که GC به طور گسترده ای برای تجزیه و تحلیل سیگنال های عصبی در شبکه های عصبی بیولوژیکی و سایر حوزه ها استفاده شده است ، کاربرد آن در شبکه های عصبی پیچیده ، غیرخطی و چند منظوره کمتر مورد بررسی قرار می گیرد.در این مطالعه ، ما از علیت گرنجر چند متغیره (MVGC) دامنه زمان (MVGC) استفاده کردیم تا فعالیت عصبی همه گره ها در یک مدل شبکه عصبی تصمیم گیری بیولوژیکی مبتنی بر چند مرحله ای آموزش دیده با نظارت بر عدم اطمینان تصمیم گیری در زمان واقعی انجام شود.تجزیه و تحلیل ما نشان داد که تصمیمات چالش برانگیز دو گزینه ای ، جایی که سیگنال های ورودی می توانند از نزدیک هماهنگ شوند ، و کاربرد مناسب ویندوزهای کشویی ریز دانه ، می تواند به راحتی DC مدل اصلی را نشان دهد.علاوه بر این ، DC مشخص شده بر اساس اینکه آیا شبکه دارای تصمیمات صحیح یا خطا است ، متفاوت است.ادغام DC مشخص شده از نتایج تصمیم گیری های مختلف ، علی رغم برخی از اتصال های جالب و مفقود ، بیشتر معماری مدل اصلی را بازیابی کرد.این روش می تواند به عنوان یک اکتشاف اولیه برای تقویت تفسیر و شفافیت سیستم های بیولوژیکی چند مرحله ای و غیرخطی یا غیرخطی پویا با آشکار کردن اتصالات علی در مراحل مختلف پویایی و نتایج شبکه عصبی مورد استفاده قرار گیرد.