更改

Kaplanis等人<ref name=":2" />基于[[表示机器学习]](Representation learning)的方法学习到宏观态<math>V</math>变量，学习的目标是最大化<math>\mathrm{\Psi} </math>。具体的，作者们使用神经网络<math>f_{\theta}</math>来学习将微观输入<math>X_t</math>粗粒化成宏观输出<math>V_t</math>的表示函数，同时使用神经网络<math>g_{\phi}</math>和<math>h_{\xi}</math>来分别学习<math>I(V_t;V_{t+1})</math>和<math>\sum_i(I(V_{t+1};X_{t}^i))</math>等互信息的计算，最后该方法通过最大化两者之间的差(即<math>\mathrm{\Psi} </math>)来优化学习。该神经网络系统的架构图如下图所示。

Kaplanis等人<ref name=":2" />基于[[表示机器学习]](Representation learning)的方法学习到宏观态<math>V</math>变量，学习的目标是最大化<math>\mathrm{\Psi} </math>。具体的，作者们使用神经网络<math>f_{\theta}</math>来学习将微观输入<math>X_t</math>粗粒化成宏观输出<math>V_t</math>的表示函数，同时使用神经网络<math>g_{\phi}</math>和<math>h_{\xi}</math>来分别学习<math>I(V_t;V_{t+1})</math>和<math>\sum_i(I(V_{t+1};X_{t}^i))</math>等互信息的计算，最后该方法通过最大化两者之间的差(即<math>\mathrm{\Psi} </math>)来优化学习。该神经网络系统的架构图如下图所示。

[[文件:学习因果涌现表征的架构.png|居中|600x600像素|学习因果涌现表征的架构|缩略图]]

[[文件:学习因果涌现表征的架构.png|居左|600x600像素|学习因果涌现表征的架构]]

结果表明，在简单的例子中，该系统能够正确地判断出因果涌现的发生。

结果表明，在简单的例子中，该系统能够正确地判断出因果涌现的发生。