3,094
个编辑
更改
跳到导航
跳到搜索
第505行：
第505行： − 该理论的核心思想是：由于对于任意的时齐马尔可夫过程，近似动力学可逆性的对数近似等价于有效信息，即指标[math]\Gamma[/math]与[[有效信息]]高度相关，因此它也可以用来刻画动力学的[[因果效应强度]]，因此'''因果涌现其实也可以近似等价于近似动力学可逆性的涌现'''。+ − 基于可逆性的因果涌现理论与其他因果涌现理论最大的区别在于：它不需要指定粗粒化策略，仅从马尔科夫转移矩阵的奇异值谱就能判断因果涌现是否发生，并直接定义'''清晰因果涌现'''（clear causal emergence）和'''模糊因果涌现'''（vague causal emergence）的概念。这在一定程度上规避了因果涌现结果依赖粗粒化策略、以及最大化有效信息难以优化求解的问题。其次，这套理论指出，一个动力系统的因果涌现特性仅由系统线性化算符的奇异值谱决定，因而是一套更能反映系统动力学特性本身的因果涌现理论。相关详情请参照[[基于可逆性的因果涌现理论]]词条。+ + + − 最大化动力学可逆性的合理性，来源于这套 SVD 方案定义的因果涌现与“最大化有效信息”的因果涌现定义之间的密切关系。在[[基于有效信息的因果涌现理论|Erik Hoel 因果涌现理论]]的框架内，给定马尔科夫动力学系统的因果涌现大小依赖于粗粒化策略的选择，而最优粗粒化策略可以通过最大化宏观动力学的 EI 来寻找。+ − 我们可以证明，要获得最大化有效信息的粗粒化策略，近似等价于采用向最大奇异值对应的奇异向量方向投影的策略。严格推导可见[[基于有效信息的因果涌现理论]]。由于对离散马尔科夫链来说，粗粒化策略往往是由比较严格的 0 或 1 构成的向量，因此不能简单地按奇异向量直接投影。但是，如果粗粒化策略尽可能与最大的几个奇异向量平行，就可以让粗粒化后动力学的 EI 尽可能更大。因此，最大化 EI 的必要条件近似可以理解为：向最大奇异值对应的奇异向量空间做投影。在实际应用中，粗粒化策略 <math>\phi</math> 的约束（例如宏观动力学 TPM 的分组和归一化）会阻止 <math>\phi_j</math> 与奇异向量完美对齐。因此，基于 SVD 的粗粒化策略只是最大化 EI 的近似必要条件。+ 第528行：
第530行： − − − − −
→相似点
====相似点====
====相似点====
事实上，之所以该理论可以作为对最大化有效信息因果涌现方案的近似替代，是因为对于任意的时齐马尔可夫过程，近似动力学可逆性的对数近似等价于有效信息（[math]\log\Gamma_{\alpha}\sim EI[\math]），即指标[math]\Gamma[/math]与[[有效信息]]高度相关，因此它也可以用来刻画动力学的[[因果效应强度]]，因此'''因果涌现其实也可以近似等价于近似动力学可逆性的涌现'''。
我们可以通过最大化EI来寻找最优的马尔可夫链的粗粒化方案，自然也可以通过最大化近似动力学可逆性[math]\Gamma_{\alpha}[/math]来寻找最优的粗粒化方案，只不过在动力学可逆性理论中，这个最大化求解过程可以直接通过对转移概率矩阵进行[[奇异值分解]]而得到。
我们可以通过最大化EI来寻找最优的马尔可夫链的粗粒化方案，自然也可以通过最大化近似动力学可逆性[math]\Gamma_{\alpha}[/math]来寻找最优的粗粒化方案，只不过在动力学可逆性理论中，这个最大化求解过程可以直接通过对转移概率矩阵进行[[奇异值分解]]而得到。
基于近似动力学可逆性和SVD这套粗粒化方案的合理性，来源于其与“最大化有效信息”的因果涌现定义之间的密切关系。在[[基于有效信息的因果涌现理论|Erik Hoel 因果涌现理论]]的框架内，给定马尔科夫动力学系统的因果涌现大小依赖于粗粒化策略的选择，而最优粗粒化策略可以通过最大化宏观动力学的 EI 来寻找。
可以证明，要获得最大化有效信息的粗粒化策略，近似等价于采用向最大奇异值对应的奇异向量方向投影的策略。严格推导可见[[基于有效信息的因果涌现理论]]。由于对离散马尔科夫链来说，粗粒化策略往往是由比较严格的 0 或 1 构成的向量，因此不能简单地按奇异向量直接投影。但是，如果粗粒化策略尽可能与最大的几个奇异向量平行，就可以让粗粒化后动力学的 EI 尽可能更大。因此，最大化 EI 的必要条件近似可以理解为：向最大奇异值对应的奇异向量空间做投影。在实际应用中，粗粒化策略 <math>\phi</math> 的约束（例如宏观动力学 TPM 的分组和归一化）会阻止 <math>\phi_j</math> 与奇异向量完美对齐。因此，基于 SVD 的粗粒化策略只是最大化 EI 的近似必要条件。
====差异性====
基于可逆性的因果涌现理论与其他因果涌现理论最大的区别在于：它不需要指定粗粒化策略，仅从马尔科夫转移矩阵的奇异值谱就能判断因果涌现是否发生，并直接定义'''清晰因果涌现'''（clear causal emergence）和'''模糊因果涌现'''（vague causal emergence）的概念。这在一定程度上规避了因果涌现结果依赖粗粒化策略、以及最大化有效信息难以优化求解的问题。其次，这套理论指出，一个动力系统的因果涌现特性仅由系统线性化算符的奇异值谱决定，因而是一套更能反映系统动力学特性本身的因果涌现理论。相关详情请参照[[基于可逆性的因果涌现理论]]词条。
对上面两个矩阵进行计算，可以得到：
对上面两个矩阵进行计算，可以得到：
这两个矩阵的 EI 完全相同，因为它们的平均输出分布相同，各行转移分布的熵也相同。也就是说，从 EI 的角度看，它们具有相同的因果效应强度。但从奇异值谱看，<math>P_{\mathrm{lin}}</math> 只有两条独立的信息通路，而 <math>P_{\mathrm{cmp}}</math> 有三条独立的信息通路。因此，<math>\Gamma_0</math> 和 <math>\Gamma_1</math> 能区分这两种动力学结构，而 EI 无法区分。这个例子说明，<math>\Gamma_{\alpha}</math> 的优势不在于替代 EI，而在于它能刻画 EI 不敏感的'''线性冗余'''：有些状态转移在概率分布上并不相同，却可能只是已有信息通道的线性混合。需要注意的是，<math>\Gamma_2</math> 在这个例子中相同，因为它更接近于衡量矩阵的确定性或能量大小；真正揭示通路冗余的是更偏向秩结构的 <math>\Gamma_0</math>，以及介于二者之间的 <math>\Gamma_1</math>。
这两个矩阵的 EI 完全相同，因为它们的平均输出分布相同，各行转移分布的熵也相同。也就是说，从 EI 的角度看，它们具有相同的因果效应强度。但从奇异值谱看，<math>P_{\mathrm{lin}}</math> 只有两条独立的信息通路，而 <math>P_{\mathrm{cmp}}</math> 有三条独立的信息通路。因此，<math>\Gamma_0</math> 和 <math>\Gamma_1</math> 能区分这两种动力学结构，而 EI 无法区分。这个例子说明，<math>\Gamma_{\alpha}</math> 的优势不在于替代 EI，而在于它能刻画 EI 不敏感的'''线性冗余'''：有些状态转移在概率分布上并不相同，却可能只是已有信息通道的线性混合。需要注意的是，<math>\Gamma_2</math> 在这个例子中相同，因为它更接近于衡量矩阵的确定性或能量大小；真正揭示通路冗余的是更偏向秩结构的 <math>\Gamma_0</math>，以及介于二者之间的 <math>\Gamma_1</math>。
===基本原理===
===基本原理===