Abstract: X. Gao, X. Sun, T. Wu, S. An, F. An, S. Leng, H. Wei, Y. Zhang, N. Marwan, J. Kurths (2027)

Reconstructing causal dynamic networks from multivariate time series is a foundational problem in complex systems science. Yet, the key scientific issue is not simply causality detection, but causal interpretability. Interpretable causality is the foundation for testable mechanistic hypotheses, transferable forecasting, and principled decision-making for intervention and control. In real-world complex systems, causal inference is often compromised by noise, missing data, high dimensionality, nonlinearity, time delays, heterogeneity, and partial observability. Classic approaches to interpretable causality yield explicit, inspectable quantities such as causal graphs, coefficients, and governing equations. However, this methodological shift has heightened expectations: AI-extended approaches are increasingly required to recover explicit causal mechanisms rather than opaque predictive dependencies, thereby preserving interpretability. This review summarizes four classic methods and their AI-extended counterparts based on time series data, including Granger frameworks, information-theoretic measures, nonlinear stateâ€“space/manifold reconstruction, and mechanistic differential-equation learning. Next, we elucidate their motivations, core principles, the origins of interpretability, and the assumptions required for meaningful conclusions. Finally, we highlight representative applications across climate studies, neuroscience, epidemiology, finance, social science, ecology and molecular biology, followed by a discussion of comparative analysis, open challenges, and future research directions.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Reconstruction of interpretable causal network dynamics from time series data