DVAE: A Dynamic Variational Autoencoder for Structured Causal Discovery with Application in Biomedical Time Series
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Causal discovery in time-series data is critical for analyzing dynamic systems across neuroscience, economics, and biomedical signal processing. Traditional methods, such as Vector Auto-regression (VAR) and constraint-based approaches, struggle with high-dimensional dependencies, nonlinear relationships, and non-stationary dynamics. Deep learning-based models, including cMLP, cLSTM, and VAE-based approaches, aim to address these challenges but suffer from instability, over-pruning, and reliance on sparsity constraints. While cMLP provides lag-specific causal inference, its accuracy is limited, and other methods fail to explicitly capture lag-wise dependencies. This paper introduces DVAE-GC, a structured deep learning framework integrating dynamic variational inference with lag-structured recurrent MLPs (lsrMLP) to explicitly model time-lagged causal dependencies. Unlike prior methods that infer causality via weight sparsity, DVAE-GC progressively refines causal estimation, leveraging a bidirectional recurrent encoder and structured decoder. Additionally, Noise Invalidation Soft Thresholding (NIST) eliminates spurious connections, enhancing interpretability and robustness. Empirically, DVAE-GC outperforms the best baseline (CUTS) on VAR(9) by +18.3 absolute F1 points averaged over multiple noise levels, and on NetSim fMRI-20 by +8.1 absolute F1 points averaged over sequence multiple lengths; in simulated atrial rotor detection, it improves Rotational Activity Estimation Precision (RAEP) by +22.4 % over the best alternative (VAR). These are absolute-point gains, and also precision, recall, and false discovery rate (FDR) has been reported. Although evaluated in biomedical simulations, DVAE-GC applies broadly to time-series domains, including neuroscience, climate science, and financial modeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle