多变量函数型数据因果发现的有向循环图

该研究面向多变量函数型数据的因果结构发现，提出允许底层因果图包含环的函数型线性结构方程模型，并通过低维因果嵌入空间提高可解释性。基于摘要分析，未取得论文全文。 核心机制是将多变量函数中的相关因果信息保留在低维子空间中，再进行因果结构建模。与要求无环结构的建模思路不同，该模型允许变量之间存在反馈环。作者报告，在因果发现文献中常用的假设下，所提模型具有因果可识别性；但摘要未列明具体假设，不能据此认定任意观测数据中的循环因果关系均可恢复。 推断采用完整的贝叶斯框架，通过先验设定与后验汇总进行参数推断和不确定性量化。嵌入空间的构造、维数选择、先验形式及后验计算方法尚未验证。作者报告，在模拟研究中，该方法的因果图估计表现优于已有方法；摘要未提供对照方法、评价指标、效应大小或模拟条件，尚不能判断优势的适用范围。 作者还使用一个脑 EEG 数据集展示方法，但摘要未交代数据集名称、被试数量、通道配置、预处理、图节点定义或验证依据，因此这属于 EEG 应用示例，不能视为已验证的 BCI 解码性能提升。阅读全文时应重点核对：函数型表示如何对应 EEG 信号、循环关系的解释依赖哪些假设，以及低维嵌入与后验不确定性是否能在噪声和有限样本下稳定支持图结构判断。实验协议、消融及统计信息尚未验证。