更改

[[文件:整合信息论图4.png|无|缩略图|900x900像素|图2.1 两个网络的比较]]

[[文件:整合信息论图4.png|无|缩略图|900x900像素|图2.1 两个网络的比较]]

假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。

假设有两个网络（如图2.1 所示），二者均包含约10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其社团之间存在较为 “脆弱” 连边，切断此类连边即可使网络分为两半。

对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>\phi</math>。不过，这种判断并非绝对准确。例如左侧网络，若单独考察其右下角最大的连通集团，会发现该集团自身整体性很强，各节点紧密相连。因此，评估网络时需遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个（在这里为了方便区分用<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该最大子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。

对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>\phi</math>。不过，这种判断并非绝对准确，因为评估网络时需遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个子网络（在这里为了方便区分用<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。但是图2.1中每个社团里的连接是相同的，区别在于社团之间的连接，所以即使遍历子网络左图子网络的 <math>\phi</math>值只会大于等于右图。

理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）。

理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）。

综上，很显然，右侧网络更易被拆分，其<math>\Phi</math>值可能越小。一个因果网络的信息整合程度是所有子网络中因果瓶颈处的有效信息所能达到的最大值，而具有这一最大有效信息的子网络便是意识发生的区域。

 

综上，所以从观感上看，左侧网络更易被拆分，其<math>\Phi</math>值可能越小，但是其子网络可能具有更高的整合程度，故其<math>\Phi</math>值亦有可能更高，所以关于<math>\Phi</math>值大小的比较还需根据具体计算。一个因果网络的信息整合程度是所有子网络中因果瓶颈处(即有效信息最小切分处)的有效信息所能达到的最大值，而具有这一最大有效信息的子网络便是意识发生的区域。

== 意识程度的度量 ==

== 意识程度的度量 ==