1,119
个编辑
更改
跳到导航
跳到搜索
第308行：
第308行： − +
→基于机器学习的方法
=====基于机器学习的方法=====
=====基于机器学习的方法=====
Kaplanis等人<ref name=":2" />基于[[表示机器学习]](Representation learning)的理论方法，用算法通过最大化<math>\mathrm{\Psi} </math>而自发学习到宏观态变量<math>V</math>变量。具体的，作者们使用神经网络<math>f_{\theta}</math>来学习将微观输入<math>X_t</math>粗粒化成宏观输出<math>V_t</math>的表示函数，同时使用神经网络<math>g_{\phi}</math>和<math>h_{\xi}</math>来分别学习<math>I(V_t;V_{t+1})</math>和<math>\sum_i(I(V_{t+1};X_{t}^i))</math>等互信息的计算，最后该方法通过最大化两者之间的差(即<math>\mathrm{\Psi} </math>)来优化神经网络。该神经网络系统的架构图如下图所示。
Kaplanis等人<ref name=":2" />基于[[表示机器学习]](Representation learning)的理论方法，用算法通过最大化<math>\mathrm{\Psi} </math>（即公式{{EquationNote|1}}）而自发学习到宏观态变量<math>V</math>变量。具体的，作者们使用神经网络<math>f_{\theta}</math>来学习将微观输入<math>X_t</math>粗粒化成宏观输出<math>V_t</math>的表示函数，同时使用神经网络<math>g_{\phi}</math>和<math>h_{\xi}</math>来分别学习<math>I(V_t;V_{t+1})</math>和<math>\sum_i(I(V_{t+1};X_{t}^i))</math>等互信息的计算，最后该方法通过最大化两者之间的差(即<math>\mathrm{\Psi} </math>)来优化神经网络。该神经网络系统的架构图如下图所示。
[[文件:学习因果涌现表征的架构.png|居左|600x600像素|学习因果涌现表征的架构]]
[[文件:学习因果涌现表征的架构.png|居左|600x600像素|学习因果涌现表征的架构]]