更改

NIS（神经信息压缩器）是一个以解决因果涌现辨识问题为目的的神经网络框架。它由编码器、解码器、动力学学习器三部分组成，其中编码器、解码器共享同一个可逆神经网络。NIS可以通过微观状态时间序列的输入、训练后输出粗粒化策略、宏观动力学、最优建模尺度，并判断是否存在[[因果涌现]]。NIS框架可以被视为一个压缩信道，通过投影操作在中间进行信道压缩。这种压缩信息通道通过约束粗粒化策略，将复杂的微观状态映射到简单的宏观状态，从而定义了有效的粗粒化策略和宏观态。基于信息瓶颈理论，NIS框架通过神经网络模型的训练过程中，逐渐使得其输出与真实数据的互信息接近于 <math> I(\mathbf{x}_{t+1}; \mathbf{x}_t) </math>，从而增强了整个系统的因果涌现特性。

NIS（神经信息压缩器）是一个以解决因果涌现辨识问题为目的的神经网络框架。它由编码器、解码器、动力学学习器三部分组成，其中编码器、解码器共享同一个可逆神经网络。NIS可以通过微观状态时间序列的输入、训练后输出粗粒化策略、宏观动力学、最优建模尺度，并判断是否存在[[因果涌现]]。NIS框架可以被视为一个压缩信道，通过投影操作在中间进行信息压缩。这种压缩信息通道通过约束粗粒化策略，将复杂的微观状态映射到简单的宏观状态，从而定义了有效的粗粒化策略和宏观态。基于信息瓶颈，NIS框架通过神经网络模型的训练过程，逐渐迫使其输出与真实数据的互信息接近 <math> I(\mathbf{x}_{t+1}; \mathbf{x}_t) </math>，从而增强整个系统的因果涌现特性。

验证其性质的实验包括带测量噪声的弹簧振荡器、简单布尔网络等，由其部分不足之处也衍生出了[[NIS+]]框架。NIS在信息瓶颈理论的指导下，展示了在时间序列数据中发现因果涌现的理论性质和应用潜力。

验证其性质的实验包括带测量噪声的弹簧振荡器、简单布尔网络等。NIS整体目标在于最大化有效信息，但NIS只通过维度参数寻优的方式部分实现了优化，关于这一问题更彻底的解决衍生出了[[NIS+]]框架。NIS展示了在时间序列数据中发现宏观动力学、粗粒化策略和因果涌现的理论性质和应用潜力。

=历史=

=历史=