允许混淆的 LiNGAM 推广
内容提要
提出Func-LiNGAM，将LiNGAM扩展至希尔伯特空间，用于fMRI和EEG脑连接的因果识别。采用函数主成分分析优化坐标，克服无限维稀疏性问题。合成数据验证了多变量函数因果关系的可识别性，并应用于真实fMRI数据以分析脑连接模式。
延伸解读
从有限维到无限维：Func-LiNGAM 的扩展逻辑
传统 LiNGAM 处理有限维非高斯变量，而 Func-LiNGAM 将其推广到希尔伯特空间中的随机函数，以应对 fMRI 和 EEG 数据固有的无限维特性。这一扩展并非简单替换，而是需要重新建立因果可辨识性理论，确保在函数空间中仍能从观测数据中识别因果方向。
函数主成分分析：破解无限维稀疏性难题
功能性数据在离散时间点上的观测往往稀疏，直接处理无限维对象会导致估计困难。Func-LiNGAM 通过函数主成分分析优化坐标表示，将无限维问题转化为有限维主成分得分，从而在保留主要变异的同时实现稀疏性控制，这是方法可行的关键步骤。
合成数据验证与真实 fMRI 应用
文章在合成数据上验证了多变量函数因果关系的可识别性，表明仅凭观测样本即可恢复因果结构。随后将方法应用于真实 fMRI 数据，分析脑连接模式，展示了从理论保证到实际脑网络因果发现的完整路径，为神经科学提供新工具。
Q&A
Func-LiNGAM 是什么？它和 LiNGAM 有什么关系？
Func-LiNGAM 是 LiNGAM 在希尔伯特空间中的推广，用于识别 fMRI 和 EEG 数据中的因果关系。它扩展了线性非高斯无环模型的概念，以处理无限维函数数据。
Func-LiNGAM 如何解决功能性数据中的稀疏性问题？
通过使用函数主成分分析优化向量的坐标，Func-LiNGAM 解决了内在无限维度功能性数据中离散时间点的稀疏性问题。
Func-LiNGAM 在脑连接研究中有哪些应用？
Func-LiNGAM 应用于 fMRI 数据以分析脑连接模式，并用于识别 fMRI 和 EEG 数据中的因果关系。
Func-LiNGAM 的理论保证是什么？
Func-LiNGAM 在理论和实证角度上，对非高斯随机向量和无限维希尔伯特空间中甚至随机函数之间的因果关系可辨识性建立了理论保证。
Func-LiNGAM 在合成数据上的验证结果如何？
在合成数据上的实验验证了该框架利用观测样本能够识别多变量函数之间的因果关系。
Func-LiNGAM 能处理哪些类型的数据？
Func-LiNGAM 能够处理功能性磁共振成像（fMRI）和脑电图（EEG）数据，以及无限维希尔伯特空间中的随机函数。
