3,094
个编辑
更改
跳到导航
跳到搜索
第532行：
第532行： + + + + + + + + +
→因果涌现的量化指标
和离散的概率转移矩阵有所不同，高斯系统因果涌现现象的本质在于其高维条件概率存在冗余的欧式空间维度，这些维度会造成不可逆的产生，由两个方向的协方差矩阵的逆对应等于零或接近零奇异值的奇异向量表示。因果涌现的量化本质上，是通过测量当这些冗余维度被潜在的最佳粗粒度化策略去除时的平均可逆性或随机性的潜在最优结果来实现的。
和离散的概率转移矩阵有所不同，高斯系统因果涌现现象的本质在于其高维条件概率存在冗余的欧式空间维度，这些维度会造成不可逆的产生，由两个方向的协方差矩阵的逆对应等于零或接近零奇异值的奇异向量表示。因果涌现的量化本质上，是通过测量当这些冗余维度被潜在的最佳粗粒度化策略去除时的平均可逆性或随机性的潜在最优结果来实现的。
===基于有效信息与近似可逆性的因果涌现===
最优化后的基于维度平均有效信息的因果涌现和基于SVD的因果涌现，则可以消除维度和常数项的干扰，得到基于SVD的因果涌现和基于EI的因果涌现的近似线性关系为：
<blockquote>
<math>
\Delta\Gamma_\alpha(\epsilon)\simeq(1-\frac{\alpha}{4})\Delta\mathcal{J}^*.
</math>
</blockquote>
至此，从高斯迭代系统，我们可以更清晰的看出可逆性和有效信息的线性相关性，证明两者在一定程度上可以相互验证或替换。
==高斯噪声迭代系统基于SVD的粗粒化策略==
==高斯噪声迭代系统基于SVD的粗粒化策略==