150
个编辑
更改
跳到导航
跳到搜索
第514行：
第514行： − + 第555行：
第555行： − + 第562行：
第562行： −
→因果涌现的识别
=====NIS+=====
=====NIS+=====
NIS 虽然率先提出了对 EI 进行优化，从而在数据中辨识因果涌现的方案，但是该方法存在一些不足：作者将优化过程分为两个阶段，但是并没有真正的最大化有效信息，即公式{{EquationNote|1}}。因此，[[杨明哲]]等人<ref name=":6" />进一步改进该方法，提出了 [[NIS+]] 方案，通过引入反向动力学以及[[重加权技术]]借助[[变分不等式]]将原始的最大化有效信息转换成最大化其变分下界来直接优化目标函数。
NIS 虽然率先提出了对 EI 进行优化，从而在数据中辨识因果涌现的方案，但是该方法存在一些不足：作者将优化过程分为两个阶段，但是并没有真正的最大化有效信息，即公式{{EquationNote|1}}。因此，[[杨明哲]]等人<ref name=":6" />进一步改进该方法，提出了 [[NIS+]] 方案，通过引入反向动力学以及[[重加权技术]]，借助[[变分不等式]]将原始的最大化有效信息转换成最大化其变分下界来直接优化目标函数。
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。
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==