更改

==批判==

==批判==

尽管机器学习技术促进了因果结构和模型的学习，以及对涌现属性和因果关系的探索，但重要的是通过机器学习获得的结果是否反映了本体论的因果关系和涌现，或者它们仅仅是认识论现象？纵观历史，关于因果关系和涌现的本体论和认识论方面一直存在长期争论。作者强调[68]，文献中的“causation”概念往往是模糊的，应区分为“cause”和“reason”，符合本体论和认识论的因果关系。“cause”指的是充分导致结果的真实原因(因果闭合原则[141]和排除原则[142])，而“reason”则仅仅是个人对结果的解释。Reason可能没有真正的cause那么严格，但它确实提供了一定程度的可预测性，在某些情况下这是有价值的。同样，关于因果涌现的本质也存在争论。因果涌现是否是一种独立于特定观察者而存在的真实现象？我们强调，不同的粗粒化策略可以导致不同的宏观动态机制与不同的措施EI。本质上，不同的粗粒度策略可以被视为代表不同的观察者。然而，Hoel的理论提出了一个区分粗粒度方法的标准，即EI最大化。因此，对于给定的一组马尔可夫动力学，只有使EI测度最大化的粗粒度策略和相应的宏观动力学才能被认为是客观结果。然而，当存在多种最大化EI的解决方案时，就会出现挑战，引入一定程度的主观性[77]。[31,32]的作者通过引入对微观状态预测误差的约束来解决这个问题，这在一定程度上缓解了这个问题。然而，最优结果是否有唯一解的问题仍然是一个需要进一步研究的开放性问题。同样，尽管机器学习的结合不能解决围绕本体论和认识论因果关系和涌现的争论，但它可以提供有助于减轻主观性的客观标准。这是因为机器学习算法努力优化目标函数。因此，机器学习代理可以被视为“客观”的观察者，对因果关系和涌现做出判断。这代表了结合机器学习的另一个优势。然而，独特解决办法的问题在这一办法中至关重要，值得进一步注意。机器学习的结果是本体论还是认识论?答案是，结果是认识论的，依赖于机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习代理得到了良好的训练，并且定义的数学目标得到了有效的优化，那么结果也可以被认为是客观的和独立于算法的。但是结合机器学习方法可以帮助建立观察者建模的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。这个框架使我们不仅可以探索关于因果关系和涌现的难题，还可以理解观察者的局限性和界限

尽管机器学习技术促进了因果结构和模型的学习，以及对涌现属性和因果关系的探索，但重要的是通过机器学习获得的结果是否反映了本体论的因果关系和涌现，或者它们仅仅是认识论现象？纵观历史，关于因果关系和涌现的本体论和认识论方面一直存在长期争论。作者在文献中强调<ref>Yurchenko, S. B. (2023). Can there be a synergistic core emerging in the brain hierarchy to control neural activity by downward causation?. Authorea Preprints.</ref>，文献中的“causation”概念往往是模糊的，应区分为“cause”和“reason”，符合本体论和认识论的因果关系。“cause”指的是充分导致结果的真实原因，而“reason”则仅仅是个人对结果的解释。Reason可能没有真正的cause那么严格，但它确实提供了一定程度的可预测性，在某些情况下这是有价值的。同样，关于因果涌现的本质也存在争论。因果涌现是否是一种独立于特定观察者而存在的真实现象？我们强调，不同的粗粒化策略可以导致不同的宏观动态机制与不同的措施EI。本质上，不同的粗粒度策略可以被视为代表不同的观察者。然而，Hoel的理论提出了一个区分粗粒度方法的标准，即EI最大化。因此，对于给定的一组马尔可夫动力学，只有使EI测度最大化的粗粒度策略和相应的宏观动力学才能被认为是客观结果。然而，当存在多种最大化EI的解决方案时，就会出现挑战，引入一定程度的主观性[77]。[31,32]的作者通过引入对微观状态预测误差的约束来解决这个问题，这在一定程度上缓解了这个问题。然而，最优结果是否有唯一解的问题仍然是一个需要进一步研究的开放性问题。同样，尽管机器学习的结合不能解决围绕本体论和认识论因果关系和涌现的争论，但它可以提供有助于减轻主观性的客观标准。这是因为机器学习算法努力优化目标函数。因此，机器学习代理可以被视为“客观”的观察者，对因果关系和涌现做出判断。这代表了结合机器学习的另一个优势。然而，独特解决办法的问题在这一办法中至关重要，值得进一步注意。机器学习的结果是本体论还是认识论?答案是，结果是认识论的，依赖于机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习代理得到了良好的训练，并且定义的数学目标得到了有效的优化，那么结果也可以被认为是客观的和独立于算法的。但是结合机器学习方法可以帮助建立观察者建模的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。这个框架使我们不仅可以探索关于因果关系和涌现的难题，还可以理解观察者的局限性和界限

==相关领域研究==

==相关领域研究==