Machine learningDynamical causality

Konvergentní křížové mapování (CCM)

Konvergentní křížové mapování (CCM) je nelineární metoda stavového prostoru pro detekci kauzality mezi časovými řadami proměnných zakotvenými ve sdíleném dynamickém systému. CCM, zavedené Georgem Sugiharou a kolegy v jejich zásadním článku z roku 2012 v časopise Science, využívá Takensův teorém vnoření: pokud proměnná X kauzálně ovlivňuje Y, pak historický záznam Y obsahuje dostatek informací k rekonstrukci stavů X. Kauzalita je potvrzena, když se přesnost křížového mapování zlepší – konverguje – s rostoucí délkou knihovny časových řad.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

Zdroje

  1. Sugihara, G., et al. (2012). Detecting causality in complex ecosystems. Science, 338(6106), 496–500. DOI: 10.1126/science.1227079

Jak citovat tuto stránku

ScholarGate. (2026, June 2). Convergent Cross Mapping (CCM). ScholarGate. https://scholargate.app/cs/causal-inference/convergent-cross-mapping

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Odkazuje sem

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Získáno 2026-06-15 z https://scholargate.app/cs/causal-inference/convergent-cross-mapping · Datová sada: https://doi.org/10.5281/zenodo.20539026