216
个编辑
更改
跳到导航
跳到搜索
第850行：
第850行： − + 第882行：
第882行： + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + 第892行：
第925行： − − === PID框架在意识研究中的应用 === − Andrea I Luppi, Pedro A M Mediano, Fernando E Rosas, David J Harrison, Robin L Carhart-Harris, Daniel Bor, Emmanuel A Stamatakis, What it is like to be a bit: an integrated information decomposition account of emergent mental phenomena, ''Neuroscience of Consciousness'', Volume 2021, Issue 2, 2021, niab027, <nowiki>https://doi.org/10.1093/nc/niab027</nowiki> − − === PhiID框架在基因网络中的应用 === − Pigozzi, F., Goldstein, A., & Levin, M. (2025). Associative conditioning in gene regulatory network models increases integrative causal emergence. ''Communications Biology'', ''8''(1), 1027.
→PID框架应用研究
== PID框架应用研究 ==
== PID框架应用研究 ==
PID框架的应用很多，讨论PID框架的应用研究时。个人认为应当仅可能地遵从如下的三个原则：1.尽可能寻找直接用PID框架或变体并不是很大的PID框架，而非仅有逻辑结构和架构设计思路上与PID框架相关的框架去处理问题的研究 ；2.这类研究在主题的选择熵要尽可能地和集智斑图、集智学园中较为热点的读书会、课程主题产生交集——比如尽量选择PID框架在复杂系统(因果涌现)中的应用、PID框架在人工智能中的应用、PID框架在计算神经科学中/意识研究的应用（可选）——各举一个较为代表性的例子即可 3.要尽可能选择相对成熟、已经有一定影响程度，已经在学术界成为一定程度共识，被可靠的信源引用的研究。
PID框架的应用很多，讨论PID框架的应用研究时。个人认为应当仅可能地遵从如下的三个原则：1.尽可能寻找直接用PID框架或变体并不是很大的PID框架，而非仅有逻辑结构和架构设计思路上与PID框架相关的框架去处理问题的研究 ；2.这类研究在主题的选择上要尽可能地和集智斑图、集智学园中较为热点的读书会、课程主题产生交集——比如尽量选择PID框架在复杂系统(因果涌现)中的应用、PID框架在人工智能中的应用、PID框架在计算神经科学中/意识研究的应用（可选）——各举一个较为代表性的例子即可 3.要尽可能选择相对成熟、已经有一定影响程度，已经在学术界成为一定程度共识，被可靠的信源引用的研究。
Mediano Pedro A. M., Rosas Fernando E., Luppi Andrea I., Jensen Henrik J., Seth Anil K., Barrett Adam B., Carhart-Harris Robin L. and Bor Daniel 2022Greater than the parts: a review of the information decomposition approach to causal emergencePhil. Trans. R. Soc. A.38020210246
Mediano Pedro A. M., Rosas Fernando E., Luppi Andrea I., Jensen Henrik J., Seth Anil K., Barrett Adam B., Carhart-Harris Robin L. and Bor Daniel 2022Greater than the parts: a review of the information decomposition approach to causal emergencePhil. Trans. R. Soc. A.38020210246
=== PhiID框架在基因网络中的应用 ===
通过PID框架的扩展框架PhiID框架,可研究生物系统中的涌现现象。在2025年的一篇工作中,Pigozzi, F, Goldstein, A., Levin, M.等作者使用PhiID框架展开了这一主题的下的研究。
几位作者的试图研究，学习过程是否能增强系统整合性？为此，他们选择了基因调控网络（GRNs）为研究对象，考察了GRNs在经历了巴普洛夫条件反射这种经典的生物网络学习方式的训练后,网络中涌现程度发生的变化。
为了量化网络的涌现程度，作者们引入了基于作为PID扩展的Phi ID而开发的因果涌现度量理论。Phi ID框架通过量化整个系统在多大程度上提供了关于任何单个组件无法提供的未来演化信息，来衡量系统的整合程度，从而度量系统的因果涌现性。
作者使用了最新的Phi ID框架对来自BioModels库的29个GRNs在完成联想记忆任务前后的动态变化进行了研究。对于每个GRNs网络，作者们通过测试GRNs节点中由无条件刺激（UCS）、中性刺激（NS）和反应（R）构成的三元组反应，以确定GRNs是否通过联想记忆测试。
而后Phi ID被用来计算基因表达信号的因果涌现程度。高斯信息论在这一工作的Phi ID计算中起到了核心支撑，高斯信息论通过假设信号符合高斯分布，带来了Phi ID计算上的极大便利性。
具体而言，使用高斯假设后，互信息的计算不再需要复杂的分布估计，可以通过皮尔逊相关系数精确地计算互信息矩阵；熵的计算也可以通过高斯分布的方差和均值获得，从而使得应用Phi ID量化多组件GRNs计算成本大幅降低。
[[文件:GRNs 1.png|居中|缩略图|800x800像素]]
此外，作者还构建了随机网络作为对照组，通过比较GRNS和随机网络在练习记忆训练后的因果涌现程度，探索了生物网络和随机网络在经历联想学习后的因果涌现程度的差异。
[[文件:GRNs 2.png|居中|缩略图|800x800像素]]
利用高斯信息论假设下的Phi ID的方法分析实验结果，作者发现了5种GRNs的新涌现方式,并揭示了集成是学习的前提，而学习可反向强化系统集成性与因果涌现性的特点，同时指出了GRNs同随机网络在学习后涌现能力变化的核心差异——GRNs具有随机网络不具备的涌现能力积累经验提高的性质。这一工作也展示了基于高斯信息论的信息分解方法在生物连续数据中的有效性。
Pigozzi, F., Goldstein, A., & Levin, M. (2025). Associative conditioning in gene regulatory network models increases integrative causal emergence. ''Communications Biology'', ''8''(1), 1027.
=== PID框架在人工智能领域中的应用 ===
=== PID框架在人工智能领域中的应用 ===
Dutta S, Hamman F. A Review of Partial Information Decomposition in Algorithmic Fairness and Explainability. Entropy (Basel). 2023 May 13;25(5):795. doi: 10.3390/e25050795. PMID: 37238550; PMCID: PMC10217569.（可选）
Dutta S, Hamman F. A Review of Partial Information Decomposition in Algorithmic Fairness and Explainability. Entropy (Basel). 2023 May 13;25(5):795. doi: 10.3390/e25050795. PMID: 37238550; PMCID: PMC10217569.（可选）
=== PID框架在意识研究中的应用 ===
Andrea I Luppi, Pedro A M Mediano, Fernando E Rosas, David J Harrison, Robin L Carhart-Harris, Daniel Bor, Emmanuel A Stamatakis, What it is like to be a bit: an integrated information decomposition account of emergent mental phenomena, ''Neuroscience of Consciousness'', Volume 2021, Issue 2, 2021, niab027, <nowiki>https://doi.org/10.1093/nc/niab027</nowiki>
=== PID框架在随机过程中的应用 ===
=== PID框架在随机过程中的应用 ===
==== PIRD ====
==== PIRD ====
部分信息率分解（PIRD）框架，是将传统部分信息分解（PID） 从静态随机变量系统扩展到时间相关性的随机过程系统的信息分解框架。这一框架通过互信息率（MIR） 替代静态互信息（MI），结合频率域谱冗余率（SMMI） 实现动态信息的独特、冗余、协同贡献分解；经高斯系统仿真验证，PIRD 在捕捉时间相关性和频率特异性交互上优于传统 PID，
部分信息率分解（PIRD）框架，是将传统部分信息分解（PID） 从静态随机变量系统扩展到时间相关性的随机过程系统的信息分解框架。这一框架通过互信息率（MIR） 替代静态互信息（MI），结合频率域谱冗余率（SMMI） 实现动态信息的独特、冗余、协同贡献分解；经高斯系统仿真验证，PIRD 在捕捉时间相关性和频率特异性交互上优于传统 PID，
=== 应用 ===
=== 应用 ===