更改

整合信息分解（Integrated Information Decomposition）是Rosas等<ref name=":0">P. A. Mediano, F. Rosas, R. L. Carhart-Harris, A. K. Seth, A. B. Barrett, Beyond integrated information: A taxonomy of information dynamics phenomena, arXiv preprint arXiv:1909.02297 (2019).</ref>对于信息分解理论的进一步拓展。与部分信息分解关注一组变量与一个变量间的互信息不同，整合信息分解关注于两组变量间互信息的更细致划分。具体而言，该框架对两组变量间的互信息进行了两次不同方向的部分信息分解，分别是 1）将第一组的变量视为源变量，第二组的联合变量视作目标变量进行部分信息分解。2）反之，将第二组的变量视为源变量，第一组的联合变量视作目标变量进行部分信息分解。由于两次分解都是针对相同的两组变量间的互信息，因此我们得到了对该互信息的两种划分方式，通过对这两种划分方式进行组合，我们便得到了更加细粒度的信息分解框架。该框架对部分信息分解框架中目标变量的数量进行了进一步的拓展，使得我们能够分析源变量等于目标变量的场景。而其中最重要的应用场景之一就是马尔科夫系统的上下时刻间子系统间的关系，这也奠定了整合信息分解框架作为因果涌现框架的理论基础。

整合信息分解（Integrated Information Decomposition）是Rosas等<ref name=":0">P. A. Mediano, F. Rosas, R. L. Carhart-Harris, A. K. Seth, A. B. Barrett, Beyond integrated information: A taxonomy of information dynamics phenomena, arXiv preprint arXiv:1909.02297 (2019).</ref>对于信息分解理论的进一步拓展。与部分信息分解关注一组变量与一个变量间的互信息不同，整合信息分解关注于两组变量间互信息的更细致划分。具体而言，该框架对两组变量间的互信息进行了两次不同方向的部分信息分解，分别是 1）将第一组的变量视为源变量，第二组的联合变量视作目标变量进行部分信息分解。2）反之，将第二组的变量视为源变量，第一组的联合变量视作目标变量进行部分信息分解。由于两次分解都是针对相同的两组变量间的互信息，因此我们得到了对该互信息的两种划分方式，通过对这两种划分方式进行组合，我们便得到了更加细粒度的信息分解框架。该框架对部分信息分解框架中目标变量的数量进行了进一步的拓展，使得我们能够分析源变量等于目标变量的场景。而其中最重要的应用场景之一就是马尔科夫系统的上下时刻间子系统间的关系，这也奠定了整合信息分解框架作为因果涌现框架的理论基础。

以两变量系统 <math>\{X_1,X_2\}</math> 为例，下图a中是前后向视角下分别对系统上下时刻互信息的分解结果，通过对这两种视角进行结合便得到了下图b中的16个信息原子。其中，左图中的彩色连边对应了右图中的彩色格点，例如左侧最上方{12}到{12}的绿色线条对应右图中最上方{12}->{12}格点。[[文件:Lattice_Phi.png|替代=|无框|576x576像素]]

以两变量系统 <math>\{X_1,X_2\}</math> 为例，下图a中是前后向视角下分别对系统上下时刻互信息的分解结果，通过对这两种视角进行结合便得到了下图b中的16个信息原子。其中，左图中的彩色连边对应了右图中的彩色格点，例如左侧最上方{12}到{12}的绿色线条对应右图中最上方{12}->{12}格点。

[[文件:Lattice_Phi.png|替代=|无框|576x576像素]]

由于整合信息分解框架是对信息分解框架的进一步划分，因此在整合信息原子计算时需要引入新的整合信息计算方法，该方法相比于已有的信息分解方法额外新增了一个自由度，既需要在原有信息分解方法的基础上定义一个新的（比如冗余到冗余原子）的计算方法。具体的计算方法，如部分信息分解框架一样，也有很多广泛的讨论，但目前仍没有一个被普遍接受的方法。（可进一步补充）

由于整合信息分解框架是对信息分解框架的进一步划分，因此在整合信息原子计算时需要引入新的整合信息计算方法，该方法相比于已有的信息分解方法额外新增了一个自由度，既需要在原有信息分解方法的基础上定义一个新的（比如冗余到冗余原子）的计算方法。具体的计算方法，如部分信息分解框架一样，也有很多广泛的讨论，但目前仍没有一个被普遍接受的方法。（可进一步补充）