1,884
个编辑
更改
跳到导航
跳到搜索
第68行：
第68行： − + 第83行：
第83行： − 文中作者举了一个前后两个时间序列数据的奇偶是否相同的例子来说明什么时候发生因果解耦、向下因果以及因果涌现。当第二个判断条件中只有第一项成立时是用来判断向下因果条件，只有第二项成立时是用来判断因果解耦条件，两种同时成立时用来判断因果涌现条件。+ −
→Rosas的因果涌现理论
[[文件:因果解耦与向下因果.png|缩略图|替代=|居中|因果解耦与向下因果]]
[[文件:因果解耦与向下因果.png|缩略图|替代=|居中|因果解耦与向下因果]]
该方法建立在Williams和Beer等<ref>Williams P L, Beer R D. Nonnegative decomposition of multivariate information[J]. arXiv preprint arXiv:10042515, 2010.</ref>提出的多元信息非负分解的基础上，Beer使用偏信息分解（PID）将微观态<math>X(X^1,X^2 ) </math>与宏观态<math>V </math>之间的互信息分解为四个部分，计算公式如下所示：
该方法建立在Williams和Beer等<ref>Williams P L, Beer R D. Nonnegative decomposition of multivariate information[J]. arXiv preprint arXiv:10042515, 2010.</ref>提出的多元信息非负分解的基础上，Beer使用[[偏信息分解]]（PID）将微观态<math>X(X^1,X^2 ) </math>与宏观态<math>V </math>之间的互信息分解为四个部分，计算公式如下所示：
<math>I(X^1,X^2;V)=Red(X^1,X^2;V)+Un(X^1;V│X^2 )+Un(X^2;V│X^1 )+Syn(X^1,X^2;V) </math>
<math>I(X^1,X^2;V)=Red(X^1,X^2;V)+Un(X^1;V│X^2 )+Un(X^2;V│X^1 )+Syn(X^1,X^2;V) </math>
[[文件:因果解耦以及向下因果例子1.png|缩略图|500x500像素|居中|因果解耦以及向下因果例子]]
[[文件:因果解耦以及向下因果例子1.png|缩略图|500x500像素|居中|因果解耦以及向下因果例子]]
文中作者举了一个前后两个时间序列数据的奇偶是否相同的例子来说明什么时候发生因果解耦、向下因果以及因果涌现。当第二个判断条件中只有第一项成立时是用来判断向下因果条件，只有第二项成立时是用来判断因果解耦条件，两种同时成立时用来判断因果涌现条件。这里，<math>X_t=(X_t^1,…,X_t^n;X_{t+1}^1,…,X_{t+1}^n )\in {0,1} </math
====基于可逆性的因果涌现理论====
====基于可逆性的因果涌现理论====