272
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − YMZ：句子没有问题了，但人称总感觉怪怪的。目前文中第一人称第三人称都有，要整体统一一下。我觉得还是要用第三人称，但“学者”看起来就怪怪的～要不统一用“作者”？ − − PLL：学者改为作者没问题，我们要全部都改吗？“这些系统展现出丰富的非线性动力学行为，如果我们仅关注微观的尺度，会发现它们的行为非常复杂且难以预测。当我们从更宏观的尺度观察这些系统时，可以用更加简洁的规律来解释和预测这些系统，这便是复杂系统独有的涌现现象。”——问题与背景，像这种，作者有没有点怪？ − − YMZ：这种的不用改，像实验描述里用“我们”指代作者要改 − − PLL：实验部分人称已改。 − − ==SIR实验== − − 我觉得“二”和“三”两部分可以合并 − − PLL：已合并。 − − ==Boids模型实验== − − − * 实验结果表明（图(d)），宏观状态的第1、2、5、6维分别对应第一组中的ID（ID<8），第3、4、7、8维对应第二组中的ID（ID>=8）。因此，学习到的粗粒化策略使用两个位置坐标来表示所有其他信息，形成一个维度的宏观状态。 − − 这个地方解释的感觉还不清楚，可以再多参考一下原文。主要是后面那一句结论是怎么从图里分析出来的？ − − PLL：已改→最后，作者将归一化的IG绘制成矩阵图，''用以描述每个宏观维度（纵轴）和每只鸟空间坐标（横轴）之间的关系，并用橙色点表示每个宏观状态中最重要的微观状态''。 − − 实验结果表明（图(d)），宏观状态的第1、2、5、6维分别对应第一组中的ID（ID<8）''（图(d)中group 1 的橙色点在第1行、第2行、第5行、第6行）''，第3、4、7、8维对应第二组中的ID（ID>=8）''（图(d)中group 2 的橙色点在第3行、第4行、第7行、第8行）''。因此，学习到的粗粒化策略使用两个位置坐标来表示所有其他信息，形成一个维度的宏观状态。 − − − ==生命游戏实验== − − 把第四部分介绍方法的部分往前放 − − PLL：已改。 − − * “滑翔机”型由于预测不良，CE程度最低 − − 要解释到，滑翔机在自然生成的数据中出现的较少，所以相比较其他模式而言训练的不够充分 − − PLL：已改→由于出现“滑翔机”的训练样本有限，NIS+在此部分训练不充分，故“滑翔机”型预测不良，CE程度最低（见图(c)）。 − − * 这可能是因为Ψ的近似忽略了许多冗余信息 − − 还要补充解释这是一个高维的复杂系统。高维系统中冗余信息更多，所以Ψ的近似造成的误差就更大。 − − PLL：已改→但是，对于Ψ，所有情况产生的值都小于或等于0，这可能是因为此系统是一个高维的复杂系统，冗余信息更多，而Ψ的近似忽略了许多冗余信息，使得Ψ无法确定CE是否发生。 第53行：
第10行： + + + + + + + + 第60行：
第25行： − * 然而，通过将微观状态和宏观状态之间的互信息分解为协同信息、冗余信息和独特信息，还可以进一步证实和量化这一结论[3]。+ − − 这里不应该是转折的关系吧 − − PLL：嗯嗯，已删除转折词。
→NIS+数值试验
=NIS+数值试验=
=NIS+数值试验=
==大脑fMRI==
==大脑fMRI==
PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？
PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？
YMZ：这个结论感觉有点不清晰。下面这一段是我们最近一个宣传稿（还没发出来）里对这个实验的一段评述，你可以整理一下用统一的人称再表述出来。
“当荣英淇考察这些维度的因果涌现水平时，得到q=1维是更好的选择，如下图：”（CE柱状图）
“该图中，绿色柱子就是NIS+应用于第一组实验数据所计算出不同维度q下的因果涌现数值。可以看出q=1的数值最高。为了比对，团队也用NIS框架分析了同样的数据，如图中的红色柱子所示，可以看出它在不同维度上的分布与绿色柱子近似相同，但是因果涌现度量都比较小。这说明，q=1 维能够展现因果涌现是一个稳定客观的结果，其次，NIS+由于最大化了EI，因而会让这一结果更加突出。
综合来看，当被试在看同一组视频的时候，它们的fMRI数据用一个维度的宏观动力学就可以很好地概括大脑的活动了。荣英淇利用归因分析技术，追踪这一个维度的宏观态数据到底和哪些原始数据维度有关，并把归因分析的强度值分配到这100个原始微观态维度所对应的脑区，如下图所示：”（脑图）
“可以看出，颜色较深的区域大多都是负责视觉信号加工的脑区。
第二组试验结果如图中的黄色柱子所示。这个时候，因果涌现最大的维度在q=3或q=7的位置。这个时候，大脑的动态表现无法简化为一个一维的宏观动力学，而至少需要3~7个维度才能对大脑的活动进行概括。
综合这两组实验可以得出结论，首先NIS+是可以直接从fMRI时间序列数据揭示出大脑在不同尺度的动力学，并发现因果涌现主要发生在哪个尺度；当被试集中看视频的时候，大脑活动可以被一个维度的宏观信号所概括，这一维度主要代表的是视觉区域的活动状态，大脑发生了非常明显的因果涌现现象；而在静息态下，被试大脑虽然也发生了因果涌现现象，但强度明显低于前者。大脑的主要活动则相对第一组更复杂，因为它不能简单地被一个维度的宏观态所概括，而是集中在一个3~7维的介观尺度上。”
* 这些区域的数字神经元可能协同作用
* 这些区域的数字神经元可能协同作用
PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？
PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？
YMZ：可以。我后面也会跟英淇确认一下这个术语。
=总结=
=总结=