用于时间序列 Granger 因果推断的 Kolmogorov-Arnold Networks

基于摘要分析。该研究面向非线性、高维及有限样本时间序列的 Granger 因果推断，提出 Granger causality inference Kolmogorov-Arnold Networks（KANGCI），并结合时间反转策略降低伪连接。其主要研究对象是时间序列变量间的预测性因果关系，而非直接进行 BCI 任务解码。 机制上，KANGCI 从 KAN 层提取基础权重，并引入促进稀疏性的惩罚项与岭正则化，以推断 Granger 因果关系。作者另提出基于时间反转 Granger 因果的算法，从原始与时间反转序列中自动选择推断表现更好的因果关系，或整合两者结果。摘要未说明基础权重与因果边的具体对应方式、正则化形式、选择准则及整合规则，这些细节尚待全文核对。 作者报告，在 Lorenz-96、Gene regulatory networks、fMRI BOLD signals、VAR 及真实 EEG 数据上，该方法相较现有先进方法具有竞争力。摘要未提供具体指标、数值、数据规模、EEG 任务、被试信息或划分协议，因此不能据此判断跨被试、跨会话泛化或 BCI 解码收益。实验协议、消融及统计信息尚未验证。 对 EEG 而言，该方法直接涉及连接推断，但 Granger 因果关系不等同于干预意义上的因果关系。需重点核对时间反转策略对噪声、共同驱动、通道混合及有限样本的敏感性，以及真实 EEG 连接的评估依据。摘要已包含 EEG 实验，但未提供足够信息判断稀疏正则化和时间反转分别带来多大贡献，也未提供实现与复现条件。