5,443
个编辑
更改
跳到导航
跳到搜索
第240行：
第240行： − + 第246行：
第246行： − + − + − 总的来说，Rosas提出了一种基于<math> \Phi ID </math>的定量表征和分类因果涌现的方法，通过建立因果涌现与不同时间点变量的协同效应之间的关系，并进一步对因果涌现进行了分类。该定义不仅提供了对系统因果出现能力的客观评估，而且能够衡量与特定宏观特征相关的因果出现。他的重要贡献包括弥合因果出现研究与定量实证研究之间的差距，对不同类型的因果出现进行分类，以及补充关于这一主题的哲学讨论。+ − − PID和<math> \Phi ID </math>框架在各种应用中解释数据方面具有潜力。例如，Luppi等人最近使用<math> \Phi ID </math>方法来分析大脑的BOLD信号，旨在识别大脑的协同核心。他们的发现揭示了协同信息促进了不同大脑区域的整合，而冗余有助于稳健性。这项研究为理解大脑的潜在机制提供了宝贵的见解。 − − 部分信息分解技术的进步使得进一步分析变量之间的互信息成为可能，从而从多个角度更深入地理解系统属性。在Varley等人的研究中，作者应用部分信息分解来分解系统的互信息。他们使用Williams和Beer提出的方法计算了一个协同偏差指标，以评估协同信息如何在系统的不同层级之间分布。更高的协同偏差表明在协同关系中涉及更多的部分信息。随后，作者观察到，在某些表现出因果涌现的系统中，当系统被简化或减少时，协同偏差会增加。这表明随着我们对系统进行粗粒度化处理，部分信息从冗余转变为协同。得出的总体结论是，涌现可以被理解为一种信息转换的形式。
→因果涌现充分指标
2. <math> \Delta_{t, t+1}(V) := \max_{j} （I(V_{t}; X_{t+1}^j) - \sum_{i} I(X_{t}^i; X_{t+1}^j)） </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间互信息与<math>X_{t}^i</math>与<math>X_{t+1}^j</math>之间互信息总和之间的差的最大值。
2. <math> \Delta_{t, t+1}(V) := \max_{j} （I(V_{t}; X_{t+1}^j) - \sum_{i} I(X_{t}^i; X_{t+1}^j)） </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间互信息与<math>X_{t}^i</math>与<math>X_{t+1}^j</math>之间互信息总和之间的差的最大值。
3. <math> \Gamma_{t, t+1}(V) := \max_{j} I(V_{t}; X_{t+1}^j) </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间最大互信息。
3. <math> \Gamma_{t, t+1}(V) := \max_{j} I(V_{t}; X_{t+1}^j) </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间最大互信息。这个指标既包含了上一时刻任意微观态通过宏观态对当前时刻微观变量j的预测，也包括了只由上一时刻宏观态所提供的对这一时刻微观变量j的预测。
对于上述指标，<math>V</math>是一个预定义的宏观变量。
这些指标的具体用途如下：
对于上述指标，<math>V</math>是一个预定义的宏观变量。
这些指标的具体用途如下：
1. 当<math> \Psi_{t, t+1}(V) > 0 </math> ，这是Vt因果涌现的充分条件。因为如果<math>I(V_{t}; V_{t+1})</math>在剔除所有从单一微观变量到宏观变量的效果后（包括重复剔除）仍保持正值，说明一定存在不能够由任意单一微观变量提供的只属于宏观态间的相互作用。
1. 当<math> \Psi_{t, t+1}(V) > 0 </math> ，这是Vt因果涌现的充分条件。因为如果<math>I(V_{t}; V_{t+1})</math>在剔除所有从单一微观变量到宏观变量的效果后（包括重复剔除）仍保持正值，说明一定存在不能够由任意单一微观变量提供的只属于宏观态间的相互作用。
2. 当<math> \Delta_{t, t+1}(V) > 0 </math> ，这是Vt表现出向下因果的充分条件。
2. 当<math> \Delta_{t, t+1}(V) > 0 </math> ，这是Vt表现出向下因果的充分条件。如果存在一个变量j使得该值为正，则说明对这个微观变量j而言即便重复考虑了所有其余变量对自身的效应，依旧没有宏观态对自身的影响大，因此一定存在从上一时刻宏观态到这一时刻微观态j的向下因果效应。
3. 当<math> \Psi_{t, t+1}(V) > 0 </math>且<math>\Gamma_{t, t+1}(V) = 0</math>时，这构成了因果解耦的充分条件。
3. 当<math> \Psi_{t, t+1}(V) > 0 </math>且<math>\Gamma_{t, t+1}(V) = 0</math>时，这构成了因果解耦的充分条件。既如果对于任意微观变量j，上一时刻宏观态都无法提供任何信息，那么存在的因果涌现就只能以因果结耦的形式存在。
总体来说，Rosas提出了一种基于<math> PID </math>理念和<math> \Phi ID </math>框架的定量表征和分类因果涌现的方法，并在此基础之上给出了用于回避信息分解计算问题的因果涌现充分判断指标，一定程度上弥合了因果涌现研究理论框架与定量实证研究之间的差距。
=====因果涌现识别=====
=====因果涌现识别=====