यह शोधपत्र तंत्रिका विज्ञान के क्षेत्र में परिकल्पना निर्माण के माध्यम से अनुसंधान लागत को कम करने के लिए एक नवीन विधि का प्रस्ताव करता है। मौजूदा मशीन लर्निंग विधियाँ समय-अपरिवर्तनीय कारण संबंधों को मानती हैं, लेकिन उनका अनुप्रयोग मस्तिष्क जैसे गतिशील अवस्था-निर्भर व्यवहार वाले सिस्टम तक सीमित है। इस शोधपत्र में, हम एक नवीन विधि प्रस्तुत करते हैं जो गतिशील ग्राफ़ को सशर्त भार के साथ स्थिर ग्राफ़ के सुपरपोजिशन के रूप में मॉडल करती है। प्रत्येक स्थिर ग्राफ़ गैर-रेखीय संबंधों को पकड़ सकता है, जिससे हमें रैखिक बाधाओं से परे चर के बीच जटिल, समय-भिन्न अंतःक्रियाओं का पता लगाने की अनुमति मिलती है। प्रायोगिक परिणाम दिखाते हैं कि प्रस्तावित विधि मौजूदा विधियों की तुलना में औसतन 22-28% और कुछ मामलों में 60% से अधिक पूर्वानुमानित गतिशील कारण पैटर्न के f1-स्कोर में सुधार करती है। वास्तविक मस्तिष्क डेटा पर केस स्टडी विशिष्ट व्यवहारिक स्थितियों से जुड़े संबंधों को प्रकट करती है, जो तंत्रिका गतिशीलता में मूल्यवान अंतर्दृष्टि प्रदान करती है।
