[论文解读] Unifying Pairwise Interactions in Complex Dynamics

Oliver M. Cliff, Bryant, Annie G.+3 more|arXiv (Cornell University)|Jan 28, 2022

Mental Health Research Topics被引用 11

一句话总结

本文提出一个统一的237种成对交互统计量（SPIs）库，用于整合跨学科在多变量时间序列中测量依赖关系的多样化方法。通过对1053个真实和合成数据集进行评估，并在三个案例研究中应用，作者证明结合多个SPIs可显著提升分类性能，优于单一方法，揭示了不同领域间协同信息与共通的理论结构。

ABSTRACT

Scientists have developed hundreds of techniques to measure the interactions between pairs of processes in complex systems. But these computational methods, from correlation coefficients to causal inference, rely on distinct quantitative theories that remain largely disconnected. Here we introduce a library of 237 statistics of pairwise interactions and assess their behavior on 1053 multivariate time series from a wide range of real-world and model-generated systems. Our analysis highlights new commonalities between different mathematical formulations, providing a unified picture of a rich interdisciplinary literature. Using three real-world case studies, we then show that simultaneously leveraging diverse methods from across science can uncover those most suitable for addressing a given problem, yielding interpretable understanding of the conceptual formulations of pairwise dependence that drive successful performance. Our framework is provided in extendable open software, enabling comprehensive data-driven analysis by integrating decades of methodological advances.

研究动机与目标

• 统一测量复杂动力系统中成对交互的多样化统计与计算方法。
• 评估237种成对交互统计量（SPIs）在1053个多变量时间序列多样化库中的经验行为。
• 证明结合多个SPIs在真实世界分类任务中的表现优于单一方法。
• 提供一个开源、可扩展的软件工具包，支持对成对依赖关系的全面、数据驱动分析。

提出的方法

• 作者从六个学科类别（基础、距离相似性、因果指数、信息论、谱方法及其它）整理出237个成对交互统计量（SPIs）。
• 他们在一个精心筛选的1053个多变量时间序列（MTS）库上评估SPIs，包括合成模型和来自神经科学、地球系统及经济学的真实数据。
• 在分类任务中，为每个SPI计算成对交互矩阵（MPIs），并将上三角（无向）或所有非对角线元素（有向）作为线性SVM的特征。
• 排除在MTS中输出无效或恒定的SPIs后，每个案例研究保留219至228个可用SPIs。
• 采用30次分层训练-测试划分（智能手表和EEG）及留一被试者交叉验证（fMRI）评估性能。
• 通过置换检验并使用Bonferroni校正确定统计显著性，将观测准确率与零分布进行比较。

Figure 1: We developed a scientific library comprising 237 statistics of pairwise interactions (SPIs) and evaluated their behavior on another library of 1053 multivariate time series (MTS). A . In many disciplines, including neuroscience, economics, and biology, scientists analyze interactions betwe

实验结果

研究问题

• RQ1 不同的成对交互统计量在多变量时间序列中是否捕捉到独特或冗余的信息？
• RQ2 能否通过结合来自不同方法传统的多个SPIs，实现超越单一方法的分类性能提升？
• RQ3 在看似无关的复杂系统成对依赖理论表述之间，存在哪些共性？
• RQ4 SPIs在多样化的真实世界与模型生成时间序列中的行为如何？其经验行为中浮现了哪些模式？

主要发现

• 237个SPIs组成的库在组合后表现出显著协同效应，所有三个案例研究中联合使用SPIs均达到统计显著的分类性能（校正后p < 0.05）。
• 组合SPI方法的分类准确率高于任一单一SPI，表明不同方法共同捕捉到更可解释、更稳健的系统动态信息。
• 在过滤掉数值不稳定或恒定结果后，智能手表活动、EEG状态和fMRI影片数据集分别保留了228、219和227个可用SPIs。
• 该框架成功识别出不同SPIs对不同类型依赖关系（如时滞、非线性或因果关系）具有不同敏感性，凸显其互补性。
• 研究表明，没有任何单一方法（包括广泛使用的皮尔逊相关系数）在所有数据集中始终优于SPIs集成方法。
• 开源工具包（pyspi v0.4.0）实现了可重现分析，并将数十年的方法论进展整合到一个统一、可扩展的平台中。

Figure 2: Statistics for measuring pairwise interactions (SPIs) between time series can be organized into 14 modules based on their behavior on over 1000 multivariate time series (MTS), providing an intuitive, data-driven organization of an interdisciplinary scientific literature. A . A brief summar