Func Lingam Causal Discovery

---
name: func-lingam---函数型线性非高斯无环因果发现模型
description: Skill for AI agent capabilities
---

# Func-LiNGAM - 函数型线性非高斯无环因果发现模型

## Overview

扩展传统 LiNGAM 到函数空间，处理无限维数据（如 fMRI、EEG 时间序列）的因果发现方法。通过功能性主成分分析优化坐标，识别多变量函数间的因果关系。适用于脑有效连接分析。

**来源论文：** arXiv:2401.09641 - Functional Linear Non-Gaussian Acyclic Model for Causal Discovery

## 触发词

因果发现、LiNGAM、Func-LiNGAM、脑有效连接、非高斯因果、functional causal discovery、brain effective connectivity、causal discovery fMRI、causal discovery EEG

## 核心方法

### 方法论扩展

| 传统 LiNGAM | Func-LiNGAM |
|------------|-------------|
| 有限维变量 | 无限维函数 |
| 离散数据 | 函数型数据 |
| 单一时间点 | 时间序列/曲线 |

### 关键创新

1. **无限维扩展**：将变量概念扩展到向量和函数
2. **理论保证**：在希尔伯特空间中证明因果关系的可识别性
3. **稀疏处理**：通过功能性主成分分析 (FPCA) 优化坐标

## 使用场景

### 适用情况

- fMRI 脑有效连接分析
- EEG 因果网络发现
- 时间序列因果推断
- 多变量函数型数据因果分析

### 数据要求

- 非高斯分布数据
- 时间序列或函数型数据
- 多变量观测样本

## 实施步骤

1. **数据预处理**
   - 将时间序列表示为函数型数据
   - 检验非高斯性假设

2. **功能性主成分分析**
   - 提取主成分坐标
   - 降维处理稀疏时间点

3. **因果结构学习**
   - 应用扩展 LiNGAM 算法
   - 识别因果顺序和连接强度

4. **结果验证**
   - 检验因果图无环性
   - 评估连接显著性

## 技术细节

### 可识别性条件

- 非高斯随机向量/函数
- 无环图结构
- 希尔伯特空间中的正则性条件

### 算法流程

```
输入：多变量时间序列数据
1. 函数化表示 → 转换为函数型数据
2. FPCA → 提取主成分坐标
3. 扩展 LiNGAM → 学习因果结构
输出：因果 DAG + 连接强度
```

## 与其他方法对比

| 方法 | 数据类型 | 因果方向 | 理论保证 |
|------|---------|---------|---------|
| Func-LiNGAM | 函数型 | ✅ 可识别 | ✅ 希尔伯特空间 |
| 传统 LiNGAM | 向量型 | ✅ 可识别 | ✅ 有限维 |
| Granger 因果 | 时间序列 | ❌ 仅预测 | ⚠️ 弱 |
| PC 算法 | 向量型 | ❌ 部分识别 | ⚠️ 条件依赖 |

## 工具使用

- `exec`: 运行 Python/R 实现
- `read`: 查看配置文件
- `web_fetch`: 获取论文补充材料

## 注意事项

- 需要非高斯性假设
- 函数化表示影响结果质量
- 计算复杂度随维度增加

## 扩展阅读

- 相关技能：`hermes-brain-connectivity`（脑连接分析）
- 相关技能：`gp-cake-brain-connectivity`（因果核方法）
- 论文链接：https://arxiv.org/abs/2401.09641
## Description

Func-LiNGAM - 函数型线性非高斯无环因果发现模型

## Activation Keywords

- func-lingam-causal-discovery
- func-lingam-causal-discovery 技能
- func-lingam-causal-discovery skill

## Tools Used

- `read` - Read documentation and references
- `web_search` - Search for related information
- `web_fetch` - Fetch paper or documentation

## Instructions for Agents
Follow these steps when applying this skill:

### Step 1: 无限维扩展

### Step 2: 理论保证

### Step 3: 稀疏处理

### Step 4: 数据预处理

### Step 5: 功能性主成分分析

## Examples

### Example 1: Basic Application

**User:** I need to apply Func-LiNGAM - 函数型线性非高斯无环因果发现模型 to my analysis.

**Agent:** I'll help you apply func-lingam-causal-discovery. First, let me understand your specific use case...

**Context:** Apply the methodology

### Example 2: Advanced Scenario

**User:** Complex analysis scenario

**Agent:** Based on the methodology, I'll guide you through the advanced application...

### Example 2: Advanced Application

**User:** What are the key considerations for func-lingam-causal-discovery?

**Agent:** Let me search for the latest research and best practices...