更改

同时有人指出，Hoel的理论忽略了对粗粒化方法的约束，某些粗粒化方法可能导致歧义<ref>Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。此外，一些对状态的粗粒化操作和对时间的粗粒化操作的组合并不表现出[[可交换性]]，例如假定<math>A_{m \times n}</math>是对状态进行粗粒化操作(将n个状态合并为m个状态)，这里的粗粒化粗粒化策略是使得宏观状态转移矩阵有效信息最大的策略，<math>(\cdot) \times (\cdot)</math> 是时间粗粒化操作(将两个时间步骤合并为一个),其中等式<math>A_{m\times n}(TPM_{n \times n}) \times A_{m \times n}(TPM_{n \times n}) = A_{m \times n}(TPM_{n \times n} \times TPM_{n \times n})</math>不总是成立。这表明某些粗粒化操作会导致宏观状态的演化与微观系统粗粒化状态的演化存在差异。这意味着需要对粗粒化策略进行一致的约束。下面展示一个具体例子，微观存在3个状态，会发现该马尔科夫矩阵不满足可交换性。

同时有人指出，Hoel的理论忽略了对粗粒化方法的约束，某些粗粒化方法可能导致歧义<ref>Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。此外，一些对状态的粗粒化操作和对时间的粗粒化操作的组合并不表现出[[可交换性]]，例如假定<math>A_{m \times n}</math>是对状态进行粗粒化操作(将n个状态合并为m个状态)，这里的粗粒化粗粒化策略是使得宏观状态转移矩阵有效信息最大的策略，<math>(\cdot) \times (\cdot)</math> 是时间粗粒化操作(将两个时间步骤合并为一个),其中等式<math>A_{m\times n}(TPM_{n \times n}) \times A_{m \times n}(TPM_{n \times n}) = A_{m \times n}(TPM_{n \times n} \times TPM_{n \times n})</math>不总是成立。这表明某些粗粒化操作会导致宏观状态的演化与微观系统粗粒化状态的演化存在差异。这意味着需要对粗粒化策略进行一致的约束。下面展示一个具体例子，微观存在3个状态，会发现该马尔科夫矩阵不满足可交换性。

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？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。然而，唯一解问题在这一办法中至关重要。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。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。

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？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。然而，唯一解问题在这一办法中至关重要。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。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。