138
个编辑
更改
跳到导航
跳到搜索
第127行：
第127行： − 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<ref>Zhang J, Liu K. Neural information squeezer for causal emergence[J]. Entropy, 2022, 25(1): 26.</ref>尝试基于神经网络提出了一种基于数据驱动的能够从时间序列数据中识别系统中的因果涌现方法，该方法能自动提取有效的粗粒度策略和宏观动力学，克服了信息分解方法中的种种不足。+ 第252行：
第252行： − 此词条暂由王志鹏翻译，王志鹏和江森-JS整理和审校。+
无编辑摘要
=====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<ref>Zhang J, Liu K. Neural information squeezer for causal emergence[J]. Entropy, 2022, 25(1): 26.</ref>尝试基于神经网络提出了一种基于数据驱动的能够从时间序列数据中识别系统中的因果涌现方法，该方法能自动提取有效的粗粒度策略和宏观动力学，克服了信息分解方法中的种种不足。
在该工作中，输入的是时间序列数据<math>(X_1,X_2,...,X_T ) </math>，可以使用如下的微方方程表示：
在该工作中，输入的是时间序列数据<math>(X_1,X_2,...,X_T ) </math>，可以使用如下的微方方程表示：
文章提出了一种名为 "神经信息挤压器"（Neural Information Squeezer）的通用机器学习框架，以自动提取有效的粗粒化策略和宏观动态，并直接从时间序列数据中识别因果涌现。
文章提出了一种名为 "神经信息挤压器"（Neural Information Squeezer）的通用机器学习框架，以自动提取有效的粗粒化策略和宏观动态，并直接从时间序列数据中识别因果涌现。
----
----
此词条暂由王志鹏翻译，张江、王志鹏和江森-JS整理和审校。
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''