该方法因为是基于格兰杰因果,所以计算比较方便,且对系统的动力学没有马尔可夫性的假设和要求,同时该方法避开讨论粗粒化策略。但是也存在很多缺点:1)该方法提出的三个指标 ,<math>\mathrm{\Psi} </math> ,<math>\mathrm{\Delta} </math> 和<math>\mathrm{\Gamma} </math>只是基于互信息计算没有考虑因果,同时该方法得到的仅仅是发生因果涌现的充分条件;2)该方法无法得到显式的宏观动力学以及粗粒化策略,然而这两项对于下游的任务往往十分重要,同时该方法需要手动给定粗粒化策略和宏观变量,而不同的选择会对结果造成显著影响;3)当系统具有大量冗余信息或具有许多变量时,该方法的计算复杂度仍然很高,由于<math>\Psi </math>作为近似条件,高维系统中误差非常大,很容易得到负值,从而无法判断是否有因果涌现发生。因此,该方法不是一种最优的方法,基于数据驱动的神经信息压缩方法应运而生。 | 该方法因为是基于格兰杰因果,所以计算比较方便,且对系统的动力学没有马尔可夫性的假设和要求,同时该方法避开讨论粗粒化策略。但是也存在很多缺点:1)该方法提出的三个指标 ,<math>\mathrm{\Psi} </math> ,<math>\mathrm{\Delta} </math> 和<math>\mathrm{\Gamma} </math>只是基于互信息计算没有考虑因果,同时该方法得到的仅仅是发生因果涌现的充分条件;2)该方法无法得到显式的宏观动力学以及粗粒化策略,然而这两项对于下游的任务往往十分重要,同时该方法需要手动给定粗粒化策略和宏观变量,而不同的选择会对结果造成显著影响;3)当系统具有大量冗余信息或具有许多变量时,该方法的计算复杂度仍然很高,由于<math>\Psi </math>作为近似条件,高维系统中误差非常大,很容易得到负值,从而无法判断是否有因果涌现发生。因此,该方法不是一种最优的方法,基于数据驱动的神经信息压缩方法应运而生。 |