关键词：因果推理，系统预测，基于模型的方法，复杂网络
论文标题：A general model-based causal inference method overcomes the curse of synchrony and indirect effect
论文来源：Nature Communications
斑图链接：https://pattern.swarma.org/paper/ede02798-2a75-11ee-a474-0242ac17000d
原文链接：https://www.nature.com/articles/s41467-023-39983-4
无模型推理方法（model-free inference methods），如格兰杰因果，因其在识别因果关系时具有灵活性被广泛使用，然而，这些方法难以区分同步和间接效应与直接因果关系，从而导致错误预测。
为克服这一问题，人们开发了基于模型的推理方法（model-based inference methods），用特定的机制模型测试数据可重复性，从而推断因果关系，然而，这些方法只能应用于特定模型描述的系统，大大限制了其适用性。
文章针对这一局限性，提出一种基于模型的方法，可以推断出由一般单调常微分方程（ordinary differential equation, ODE）模型描述的多个组件之间的相互作用，为该模型重现时间序列数据推导出了一个易于测试的条件，结果表明该框架成功推断出多种模型的网络结构。
图1 推断调控网络的框架。(a) 框架应用方法；b-f 应用举例：（b）Kim-Forger模型、（c）Frzilator、（d）4态Goodwin振荡器、（e）果蝇昼夜节律钟的Goldbeter模型，和（f）竹荪的cAMP振荡器
该团队还建立了一个用户友好型计算软件包——基于一般ODE的推断（GOBI），它几乎适用于任何由ODE描述的具有正负规定的单调系统，与现有的无模型推理方法不同，GOBI成功在分子和种群水平上推断出基因调控网络、生态系统以及空气污染导致的心血管疾病的因果关系，而目前流行的无模型推断方法无法做到。
由于GOBI具有准确性和广泛的适用性，这是以往的无模型或基于模型的推断方法所不具备的，因此这种精确而广泛适用的推断方法是理解复杂动力系统的有力工具。
由智源社区、集智俱乐部联合举办的因果科学与Causal AI读书会第三季，主要面向两类人群：如果你从事计算机相关方向研究，希望为不同领域引入新的计算方法，通过大数据、新算法得到新成果，可以通过读书会各个领域的核心因果问题介绍和论文推荐快速入手；如果你从事其他理工科或人文社科领域研究，也可以通过所属领域的因果研究综述介绍和研讨已有工作的示例代码，在自己的研究中快速开始尝试部署结合因果的算法。读书会直播已结束，欢迎加入因果科学社区，回看第三季直播，加入讨论。
详情请见：
因果+X：解决多学科领域的因果问题 | 因果科学读书会第三季启动
推荐阅读
