3,094
个编辑
更改
跳到导航
跳到搜索
第279行：
第279行： − + + 第358行：
第359行： − +
→因果涌现的分解
1. 向下因果性（Downward Causation）：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>的部分变量，即宏观变量能够提供超过所有仅单独考虑系统每个微观变量的效果的总和，这意味着宏观信息能够提供额外的预测能力，而不仅仅是所有微观状态直接演化的线性组合。
1. 向下因果（Downward Causation）：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>的部分变量，即宏观变量能够提供超过所有仅单独考虑系统每个微观变量的效果的总和，这意味着宏观信息能够提供额外的预测能力，而不仅仅是所有微观状态直接演化的线性组合。
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比所有仅单独考虑系统每个微观变量的效果的总和更强的能力：这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比所有仅单独考虑系统每个微观变量的效果的总和更强的能力：这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
也就是说，无论如何定义因果涌现，它总可以被进一步分解为两项，即向下因果和因果解耦。
以下案例能够很直观的说明以上两种因果涌现的形式：
以下案例能够很直观的说明以上两种因果涌现的形式：
这些挑战说明，尽管 PID 框架提供了强有力的因果涌现理论基础，但其应用仍然依赖于实际系统的计算方法和数据可获取性。
这些挑战说明，尽管 PID 框架提供了强有力的因果涌现理论基础，但其应用仍然依赖于实际系统的计算方法和数据可获取性。
===因果涌现充分指标===
===充分指标和近似计算===
为了解决上述提到的问题，Rosas简化了因果涌现的计算，并建立了一套基于因果解耦和向下因果的识别标准。具体来说，为了避免该方法基于特定的某个协同信息和冗余信息的具体量化方法，这套标准通过反复减去冗余信息，使结果成为因果涌现的充分条件。三个指标如下：
为了解决上述提到的问题，Rosas简化了因果涌现的计算，并建立了一套基于因果解耦和向下因果的识别标准。具体来说，为了避免该方法基于特定的某个协同信息和冗余信息的具体量化方法，这套标准通过反复减去冗余信息，使结果成为因果涌现的充分条件。三个指标如下：