更改

=基于连续方法的有效信息计算=

=基于连续方法的有效信息计算=

在传统方法中，计算有效信息通常需要对输入和输出空间进行离散化处理，然后基于频率估计出联合概率分布。然而，这种方法在高维空间下计算效率非常低，并且会低估低概率区域的概率值。这里我们通过引入高斯分布假说，从而提出了一种新的适用于高维连续变量的神经网络有效信息计算方法<ref name=zhang_nis />。详细计算步骤如下：

在传统方法中，计算有效信息通常需要对输入和输出空间进行离散化处理，然后基于频率估计出联合概率分布。然而，这种方法在高维空间下计算效率非常低，并且会低估低概率区域的概率值。这里我们通过引入高斯分布假说，从而提出了一种新的适用于高维连续变量的神经网络有效信息计算方法<ref name=zhang_nis>{{cite journal|title=Neural Information Squeezer for Causal Emergence|first1=Jiang|last1=Zhang|first2=Kaiwei|last2=Liu|journal=Entropy|year=2022|volume=25|issue=1|page=26|url=https://api.semanticscholar.org/CorpusID:246275672}}</ref>。详细计算步骤如下：

==== 定义输入输出空间与噪声模型 ====  

==== 定义输入输出空间与噪声模型 ====