3,094
个编辑
更改
跳到导航
跳到搜索
第197行：
第197行： − + + + + − + + + + + + + +
→因果涌现与因果容量
其中[math]\tilde{X}_t[/math]和[math]\tilde{X}_{t+1}[/math]是干预后的因果变量，[math]Eff[/math]为动力学的有效性。由公式可以看出EI的大小与干预的概率分布的熵有关。
其中[math]\tilde{X}_t[/math]和[math]\tilde{X}_{t+1}[/math]是干预后的因果变量，[math]Eff[/math]为动力学的有效性。由公式可以看出EI的大小与干预的概率分布的熵有关。
Claude Shannon 在信息论中提出信道具有一定的容量。信道容量是指信道以最具信息性和可靠性的方式将输入转化为输出的能力，信道中信息传输的速率对输入概率分布 [math]p(X)[/math] 的变化非常敏感。信道容量 (C) 定义为使互信息达到最大值的输入变量分布，这也是信道能够可靠传输信息的最大速率：[math]C \equiv \max_{p(X)} I(X; Y)[/math]，其中[math]I(X; Y)[/math]是输入和输出之间的[[互信息]]。
Claude Shannon 在信息论中提出信道具有一定的容量。信道容量是指信道以最具信息性和可靠性的方式将输入转化为输出的能力，信道中信息传输的速率对输入概率分布 [math]p(X)[/math] 的变化非常敏感。信道容量 (C) 定义为使互信息达到最大值的输入变量分布，这也是信道能够可靠传输信息的最大速率：
[math]
C \equiv \max_{p(X)} I(X; Y),
[/math]
相应的，因果涌现理论揭示了系统存在一种类似的因果容量（Causal Capacity, CC）。因果容量是指系统以最具信息性和最有效的方式将干预转化为效果的能力，定义为：[math]CC = \max_{\tilde{X_t}} I(\tilde{X_t}; \tilde{X_{t+1}})[/math]。
其中[math]I(X; Y)[/math]是输入和输出之间的[[互信息]]。
相应的，因果涌现理论揭示了系统存在一种类似的因果容量（Causal Capacity, CC）。因果容量是指系统以最具信息性和最有效的方式将干预转化为效果的能力，定义为：
[math]
CC = \max_{\tilde{X_t}} I(\tilde{X_t}; \tilde{X_{t+1}}).
[/math]
== 状态角度的因果涌现 ==
== 状态角度的因果涌现 ==