3,094
个编辑
更改
跳到导航
跳到搜索
第306行：
第306行： − + + + + + − + + + − 在指定系统的宏观随附特征 <math>V_t</math> 时，基于前文对于因果涌现的定义，测量系统是否存在因果涌现的指标<math>Un(V_t;X_{t+1}| X_t)</math>可进一步分为如下两部分： + − 1. 向下因果意味着宏观变量 <math>V_t</math> 对微观变量 <math>X_t</math> 的未来状态 <math>X_{t+1}</math> 产生影响，而这个影响无法由单个 <math>X_t^i</math> 解释。其定义为<math> Un(V_{t}; X_{t+1}^{\alpha} \mid X_{t}) > 0 </math>, 其中 <math> X_{t+1}^{\alpha} </math>是微观变量的子集<math> \alpha </math>。 + + − 2. 因果解耦意味着某个宏观特征 <math>V_t</math> 影响未来宏观状态 <math>V_{t+1}</math>，但该信息在微观层级（<math>X_t</math> 或 <math>X_{t+1}</math>）不可见。其定义为<math> Un(V_{t}; V_{t+1} \mid X_{t}, X_{t+1}) > 0 </math> + − 此外，如果系统存在因果涌现，即 <math>Un(V_t;X_{t+1}| X_t^1,...,X_t^n )>0</math>，并且对于微观变量任意大小的子集都存在<math> \text{Un}(V_{t}; X_{t+1}^{\alpha} \mid X_{t}) = 0 </math>且 ，则称<math>V_t</math> 具有纯粹的因果解耦。如果所有涌现特征都表现出纯粹的因果解耦，则称系统是完全解耦的。 + − '''编者注：''' 此处的数学表述也有类似歧义，因此我们提议将以上两个指标分别写作<math> Un(V_{t}; X_{t+1}^{\alpha} \mid X_t^1,...,X_t^n) > 0 </math>和<math> Un(V_{t}; V_{t+1} \mid X_t^1,...,X_t^n, X_{t+1}^1,...,X_{t+1}^n) > 0 </math>，该表示方式代表不能够被任何单一的微观变量<math>X_t^j</math>或<math>X_{t+1}^j</math>所提供的信息，但是能够被<math>V_t</math>所提供的关于下一时刻的信息。同样需要注意的是，尽管这种表示方式能够严谨的表达因果涌现的定义，但是无法套用PID算法对该指标进行计算。如果想要计算修正后的该指标，需要引入有粗砺化函数的PhiID框架。 − + − 在未指定系统的宏观随附特征时，测量系统是否存在因果涌现的指标 <math>Syn(X_t^1,...,X_t^n;X_{t+1})>0</math>可基于PhiID框架进一步分为如下两部分：+ − <math> − \text{Syn}(X_t^1,...,X_t^n; X_{t+1}) = \mathcal{G}(X_t; X_{t+1}) + \mathcal{D}(X_t; X_{t+1})\,. − </math> + − 其中代表向下因果的指标<math>\mathcal{G}(X_t; X_{t+1}) := \sum_{\alpha,\beta \in \mathcal{S}} I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>是指在系统进行整合信息分解后所产生的从协同原子（反链）<math>\alpha</math>到协同原子（反链）<math>\beta</math>的所有信息原子<math>I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>。而代表因果结耦的指标<math>\mathcal{D}(X_t; X_{t+1}) := \sum_{\substack{\alpha \in \mathcal{S} \\[2pt] \beta \in \mathcal{A}\setminus\mathcal{S}}} I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>，是指在系统进行整合信息分解后所产生的从协同原子（反链）<math>\alpha</math>到非协同原子（反链）<math>\beta</math>的所有信息原子<math>I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>。这里的协同原子（反链）（包含在<math> \mathcal{S}</math>中的原子）指的是仅能够通过变量间的协同效应所产生而无法被任何一个变量所单独提供的信息，其形式为所有不存在元素数为1的集合的反链。而非协同原子（包含在<math>\mathcal{A}\setminus\mathcal{S}</math>中的原子）则是存在至少一个元素数为1的集合作为其元素的反链。 + − 以二变量系统为例： <math>X_t</math> 由两个微观变量 <math>X_t^1</math> 和 <math>X_t^2</math> 组成，而 <math>X_{t+1}</math> 受 <math>X_t</math> 影响： − 在 <math>\Phi ID</math> 框架下，对系统从时间 <math>t</math> 到 <math>t+1</math> 之间的互信息 <math>I(X_t; X_{t+1})</math> 进行分解，可以得到 16 个信息原子。这些信息原子由PID 信息原子的双向作用形成，即每个 <math> \Phi ID </math> 原子都可以表示为一个 <math> PID </math> 信息原子对的有向组合。 + − 特别地，从 <math>{{12}} </math>出发的四个 <math> \Phi ID </math> 原子与因果涌现的定义及其分类直接相关，其中：因果解耦（G）对应于 <math>\{\{12\}\} \to \{\{12\}\}</math>，其取值大于零则系统具有因果解耦。向下因果（D）对应于 <math>\{\{12\}\} \to \{\{1\}\}, \{\{12\}\} \to \{\{2\}\}, \{\{12\}\} \to \{\{1\}\{2\}\}</math>，其中任意取值大于零则系统具有向下因果。 + − 通过这种方式，PhiID 允许我们将系统的因果涌现分解为不同的成分，并在数学上严格刻画因果信息流的方向性。这一框架不仅适用于理论分析，还可以用于实际数据集的计算分析，帮助识别复杂系统中的因果结构。 +
→各项具体定义
=== 各项具体定义 ===
=== 各项具体定义 ===
在给出了定义的基础之上，因果涌现可被进一步划分为向下因果（Downward Causation）与因果解耦（Causal Decoupling）两个部分，并且它们也都分别有在指定宏观变量和未指定宏观变量情况下的定义：
在给出了定义的基础之上，因果涌现可被进一步划分为向下因果（Downward Causation）与因果解耦（Causal Decoupling）两个部分，并且它们也都分别有在指定宏观变量和未指定宏观变量情况下的定义。
==== 系统因果涌现能力的分类定义 ====
如果因果涌现采用协同信息的方式定义，即未指定系统的宏观随附特征时，测量系统是否存在因果涌现的指标 <math>Syn(X_t^1,...,X_t^n;X_{t+1})</math>可基于PhiID框架进一步分为如下两部分：
==== 特定宏观特征因果涌现的分类定义 ====
<math>
\text{Syn}(X_t^1,...,X_t^n; X_{t+1}) = \mathcal{G}(X_t; X_{t+1}) + \mathcal{D}(X_t; X_{t+1})\,.
</math>
其中代表向下因果的指标<math>\mathcal{G}(X_t; X_{t+1}) := \sum_{\alpha,\beta \in \mathcal{S}} I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>是指在系统进行整合信息分解后所产生的从协同原子（反链）<math>\alpha</math>到协同原子（反链）<math>\beta</math>的所有信息原子<math>I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>。而代表因果结耦的指标<math>\mathcal{D}(X_t; X_{t+1}) := \sum_{\substack{\alpha \in \mathcal{S} \\[2pt] \beta \in \mathcal{A}\setminus\mathcal{S}}} I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>，是指在系统进行整合信息分解后所产生的从协同原子（反链）<math>\alpha</math>到非协同原子（反链）<math>\beta</math>的所有信息原子<math>I_{\partial}^{\alpha \rightarrow \beta}(X_t; X_{t+1})</math>。这里的协同原子（反链）（包含在<math> \mathcal{S}</math>中的原子）指的是仅能够通过变量间的协同效应所产生而无法被任何一个变量所单独提供的信息，其形式为所有不存在元素数为1的集合的反链。而非协同原子（包含在<math>\mathcal{A}\setminus\mathcal{S}</math>中的原子）则是存在至少一个元素数为1的集合作为其元素的反链。
以二变量系统为例： <math>X_t</math> 由两个微观变量 <math>X_t^1</math> 和 <math>X_t^2</math> 组成，而 <math>X_{t+1}</math> 受 <math>X_t</math> 影响：
在 <math>\Phi ID</math> 框架下，对系统从时间 <math>t</math> 到 <math>t+1</math> 之间的互信息 <math>I(X_t; X_{t+1})</math> 进行分解，可以得到 16 个信息原子。这些信息原子由PID 信息原子的双向作用形成，即每个 <math> \Phi ID </math> 原子都可以表示为一个 <math> PID </math> 信息原子对的有向组合。
特别地，从 <math>{{12}} </math>出发的四个 <math> \Phi ID </math> 原子与因果涌现的定义及其分类直接相关，其中：因果解耦（G）对应于 <math>\{\{12\}\} \to \{\{12\}\}</math>，其取值大于零则系统具有因果解耦。向下因果（D）对应于 <math>\{\{12\}\} \to \{\{1\}\}, \{\{12\}\} \to \{\{2\}\}, \{\{12\}\} \to \{\{1\}\{2\}\}</math>，其中任意取值大于零则系统具有向下因果。
通过这种方式，PhiID 允许我们将系统的因果涌现分解为不同的成分，并在数学上严格刻画因果信息流的方向性。这一框架不仅适用于理论分析，还可以用于实际数据集的计算分析，帮助识别复杂系统中的因果结构。
==== 系统因果涌现能力的分类定义 ====
==== 特定宏观特征因果涌现的分类定义 ====
在指定系统的宏观随附特征 <math>V_t</math> 时，基于前文对于因果涌现的定义，测量系统是否存在因果涌现的指标<math>Un(V_t;X_{t+1}| X_t)</math>可进一步分为如下两部分：
1. 向下因果意味着宏观变量 <math>V_t</math> 对微观变量 <math>X_t</math> 的未来状态 <math>X_{t+1}</math> 产生影响，而这个影响无法由单个 <math>X_t^i</math> 解释。其定义为<math> Un(V_{t}; X_{t+1}^{\alpha} \mid X_{t}) </math>, 其中 <math> X_{t+1}^{\alpha} </math>是微观变量的子集<math> \alpha </math>。
2. 因果解耦意味着某个宏观特征 <math>V_t</math> 影响未来宏观状态 <math>V_{t+1}</math>，但该信息在微观层级（<math>X_t</math> 或 <math>X_{t+1}</math>）不可见。其定义为<math> Un(V_{t}; V_{t+1} \mid X_{t}, X_{t+1})</math>
此外，如果系统存在因果涌现，即 <math>Un(V_t;X_{t+1}| X_t^1,...,X_t^n )>0</math>，并且对于微观变量任意大小的子集都存在<math> \text{Un}(V_{t}; X_{t+1}^{\alpha} \mid X_{t}) = 0 </math>且 ，则称<math>V_t</math> 具有纯粹的因果解耦。如果所有涌现特征都表现出纯粹的因果解耦，则称系统是完全解耦的。
'''编者注：''' 此处的数学表述也有类似歧义，因此我们提议将以上两个指标分别写作<math> Un(V_{t}; X_{t+1}^{\alpha} \mid X_t^1,...,X_t^n) > 0 </math>和<math> Un(V_{t}; V_{t+1} \mid X_t^1,...,X_t^n, X_{t+1}^1,...,X_{t+1}^n) > 0 </math>，该表示方式代表不能够被任何单一的微观变量<math>X_t^j</math>或<math>X_{t+1}^j</math>所提供的信息，但是能够被<math>V_t</math>所提供的关于下一时刻的信息。同样需要注意的是，尽管这种表示方式能够严谨的表达因果涌现的定义，但是无法套用PID算法对该指标进行计算。如果想要计算修正后的该指标，需要引入有粗砺化函数的PhiID框架。
====存在问题====
尽管信息分解提供了严谨的理论框架，但计算因果涌现仍然存在以下挑战：
尽管信息分解提供了严谨的理论框架，但计算因果涌现仍然存在以下挑战：