5,443
个编辑
更改
跳到导航
跳到搜索
第487行：
第487行： − + 第637行：
第637行： −
→神经信息压缩方法
====神经信息压缩方法====
====神经信息压缩方法====
近年来，新兴的[[人工智能]]技术已经攻克一系列重大难题，同时机器学习方法配备了各种精心设计的[[神经网络]]结构和[[自动微分]]技术，可以在巨大的函数空间中逼近任何函数。因此，[[张江]]等尝试基于神经网络提出一种基于数据驱动的能够从时间序列数据中识别因果涌现的方法<ref name="NIS">Zhang J, Liu K. Neural information squeezer for causal emergence[J]. Entropy, 2022, 25(1): 26.</ref><ref name=":6" />，该方法能自动提取有效的粗粒化策略和宏观动力学，克服了 Rosas 方法<ref name=":5" />的种种不足。
近年来，新兴的[[人工智能]]技术已经攻克一系列重大难题，同时机器学习方法配备了各种精心设计的[[神经网络]]结构和[[自动微分]]技术，可以在巨大的函数空间中逼近任何函数。因此，[[张江]]等尝试基于神经网络提出一种基于数据驱动的能够从时间序列数据中识别因果涌现的方法<ref name="NIS">Zhang J, Liu K. Neural information squeezer for causal emergence[J]. Entropy, 2022, 25(1): 26.</ref><ref name="nis+">Yang, M., Wang, Z., Liu, K., Rong, Y., Yuan, B., & Zhang, J. (2025). Finding emergence in data by maximizing effective information. National Science Review, 12(1), nwae279.</ref>，该方法能自动提取有效的粗粒化策略和宏观动力学，克服了 Rosas 方法<ref name=":5" />的种种不足。
这些实验表明 NIS+ 不仅可以辨识数据中的因果涌现、发现涌现的宏观动力学和粗粒化策略，而且另外的实验还表明，[[NIS+]] 模型还能够通过 EI 最大化而增加模型的分布外泛化能力。
这些实验表明 NIS+ 不仅可以辨识数据中的因果涌现、发现涌现的宏观动力学和粗粒化策略，而且另外的实验还表明，[[NIS+]] 模型还能够通过 EI 最大化而增加模型的分布外泛化能力。
==应用==
==应用==