更改

|不满足<math>\(0 \leq \Phi \leq I(X;Y)\)</math>（I为互信息），因不包含X与Y独立的分布。

|不满足<math>\(0 \leq \Phi \leq I(X;Y)\)</math>（I为互信息），因不包含X与Y独立的分布。

|-

|-

|对角分割模型（<math>\(M_{DS}\)</math>）

|对角分割模型（<math>M_{DS}</math>）

|仅移除<math>\(X_i\)与\(Y_j(i≠j)\)</math>的连接，保留\(Y_i\)间的连接，约束为<math>\(\theta_{12}^{XY}=\theta_{21}^{XY}=0\)</math>

|仅移除<math>X_i</math>与<math>Y_j(i≠j)</math>的连接，保留<math>Y_i<\math>间的连接，约束为<math>\theta_{12}^{XY}=\theta_{21}^{XY}=0</math>

|e 平坦子流形

|e 平坦子流形

|<math>\(\Phi_{DS} = D_{KL}[p:q^*]\)</math>（<math>\(q^*\)</math>为p在<math>\(M_{DS}\)</math>上的投影）

|<math>\Phi_{DS} = D_{KL}[p:q^*]</math>（<math>q^*</math>为p在<math>M_{DS}</math>上的投影）

|满足<math>\(0 \leq \Phi \leq I(X;Y)\)</math>，但无法完全移除非对角因果影响。

|满足<math>\(0 \leq \Phi \leq I(X;Y)\)</math>，但无法完全移除非对角因果影响。

|-

|-

|因果分割模型（<math>\(M_G\)</math>）

|因果分割模型（<math>M_G</math>）

|移除<math>\(X_i\)与\(Y_j(i≠j)\)</math>的因果影响，满足马尔可夫条件（如<math>\(X_1-X_2-Y_2\)</math>）

|移除<math>X_i</math>与<math>Y_j(i≠j)</math>的因果影响，满足马尔可夫条件（如<math>X_1-X_2-Y_2</math>）

|弯曲子流形

|弯曲子流形

|<nowiki>高斯情况下：<math>\(\Phi_G = \frac{1}{2}\log\frac{|\sum(E)|}{|\sum(E')|}\)</math>（<math>\(\sum(E)\)</math>为噪声协方差）</nowiki>

|<nowiki>高斯情况下：<math>\Phi_G = \frac{1}{2}\log\frac{|\sum(E)|}{|\sum(E')|}</math>（<math>\sum(E)</math>为噪声协方差）</nowiki>

|满足\(0 \leq \Phi \leq I(X;Y)\)，纯粹量化因果影响，最符合整合信息理论（IIT）理念。

|满足\(0 \leq \Phi \leq I(X;Y)\)，纯粹量化因果影响，最符合整合信息理论（IIT）理念。

|-

|-

|不匹配解码模型（<math>\(M_{MD}\)</math>）

|不匹配解码模型（<math>M_{MD}</math>）

|从解码视角定义，用不含<math>\(x_i\)</math>与<math>\(y_j(i≠j)\)</math>交互项的<math>\(q(x,y;\beta)\)</math>估计输入，量化信息损失

|从解码视角定义，用不含<math>x_i</math>与<math>y_j(i≠j)</math>交互项的<math>q(x,y;\beta)</math>估计输入，量化信息损失

|弯曲子流形（1 维）

|弯曲子流形（1 维）

|<math>\(\Phi_{MD} = \min_\beta D_{KL}[p:q(x,y;\beta)]\)</math>（<math>\(\beta\)</math>为优化参数）

|<math>\Phi_{MD} = \min_\beta D_{KL}[p:q(x,y;\beta)]</math>（<math>\beta</math>为优化参数）

|需数值方法求解最优<math>\(\beta\)</math>，包含于<math>\(M_{DS}\)</math>。

|需数值方法求解最优<math>\beta</math>，包含于<math>M_{DS}</math>。

|}

|}