更改

这组实验表明，[[NIS+]]可以通过最大化EI来学习宏观状态和粗粒化策略。这种最大化增强了模型对超出训练数据范围情况的泛化能力。学习到的宏观状态有效地识别了平均[[群体行为]]，并且可以使用梯度积分方法将其归因于个体位置。此外，因果涌现的程度随外在噪声的增加而增加，而随内在噪声的增加而减少。这一观察结果表明，模型通过粗粒化可以消除外在噪声，而不能削减内在噪声。

这组实验表明，[[NIS+]]可以通过最大化EI来学习宏观状态和粗粒化策略。这种最大化增强了模型对超出训练数据范围情况的泛化能力。学习到的宏观状态有效地识别了平均[[群体行为]]，并且可以使用梯度积分方法将其归因于个体位置。此外，因果涌现的程度随外在噪声的增加而增加，而随内在噪声的增加而减少。这一观察结果表明，模型通过粗粒化可以消除外在噪声，而不能削减内在噪声。

[[文件:NIS+ boids.png|居左|600x600像素|鸟群中的因果涌现]]

[[文件:NIS+ boids.png|居左|700x700像素|鸟群中的因果涌现]]

脑实验是基于真实的FMRI数据，该数据通过对830个人类被试做了两组实验得到。第一组是让被试执行看一段电影短片的视觉任务记录完成，第二组实验是让他们处于静息态下记录完成。由于原始维度比较高，作者们首先通过使用[[Schaefer atlas]]方法对原始的14000维数据降维到100个维度，每个维度对应一个脑区。之后，作者们通过NIS+学习这些数据，并提炼出6个不同宏观尺度下的动力学，图a展示了不同尺度下的多步预测误差结果，图b展示了在静息态和看电影视觉任务中NIS与NIS+方法在不同宏观维度上EI的对比。作者们发现在视觉任务中，宏观态维度在q=1时因果涌现最显著，通过归因分析发现视觉区发挥的作用最大(图c)，与真实的场景保持一致。图d展示了脑区归因的不同视角图。而在静息态下，1个宏观维度不足以预测微观时间序列数据，因果涌现最大的维度是表现在3-7维之间。

脑实验是基于真实的FMRI数据，该数据通过对830个人类被试做了两组实验得到。第一组是让被试执行看一段电影短片的视觉任务记录完成，第二组实验是让他们处于静息态下记录完成。由于原始维度比较高，作者们首先通过使用[[Schaefer atlas]]方法对原始的14000维数据降维到100个维度，每个维度对应一个脑区。之后，作者们通过NIS+学习这些数据，并提炼出6个不同宏观尺度下的动力学，图a展示了不同尺度下的多步预测误差结果，图b展示了在静息态和看电影视觉任务中NIS与NIS+方法在不同宏观维度上EI的对比。作者们发现在视觉任务中，宏观态维度在q=1时因果涌现最显著，通过归因分析发现视觉区发挥的作用最大(图c)，与真实的场景保持一致。图d展示了脑区归因的不同视角图。而在静息态下，1个宏观维度不足以预测微观时间序列数据，因果涌现最大的维度是表现在3-7维之间。

[[文件:NIS+ 脑数据.png|居左|600x600像素|脑神经系统中的因果涌现]]

[[文件:NIS+ 脑数据.png|居左|700x700像素|脑神经系统中的因果涌现]]

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。