842
个编辑
更改
跳到导航
跳到搜索
第233行：
第233行： − 消融实验表明，若将 RealNVP 替换为普通前馈网络或 VAE，多步预测误差显著上升；在[[分布外泛化]]测试中，仅基于 RealNVP 的 NIS/NIS+ 保持了低误差。论文指出：'''可逆神经网络作为编码器和解码器是必需的'''。在 NIS+ 中，RealNVP 继续承担编码–解码功能，而 EI 最大化等改进发生在投影后的宏观动力学空间上，不改动 INN 模块本身<ref name="NISPlus2025">{{cite journal|author1=Yang M.|author2=Wang Z.|author3=Liu K.|author4=Rong Y.|author5=Yuan B.|author6=Zhang J.|title=Finding Emergence in Data by Maximizing Effective Information|journal=National Science Review|year=2025|volume=12|issue=1|page=nwae279}}</ref>。+
→在 NIS/NIS+ 因果涌现框架中的应用
# '''行列式可解析'''：三角雅可比结构使[[有效信息]]（[[Effective Information]]，[[EI]]）上界和最优宏观维度 <math>q</math> 的存在性等核心定理得以严格推导。
# '''行列式可解析'''：三角雅可比结构使[[有效信息]]（[[Effective Information]]，[[EI]]）上界和最优宏观维度 <math>q</math> 的存在性等核心定理得以严格推导。
RealNVP作为NIS+中可逆表示学习模块，使粗粒化映射与反粗粒化映射共享参数，降低了模型复杂度，同时为有效信息最大化提供了可分析的数学框架。此外，基于可逆粗粒化结构构建的encoder具有通用逼近性质，能够表达不同复杂系统中的粗粒化映射。<ref name="NISPlus2025">{{cite journal|author1=Yang M.|author2=Wang Z.|author3=Liu K.|author4=Rong Y.|author5=Yuan B.|author6=Zhang J.|title=Finding Emergence in Data by Maximizing Effective Information|journal=National Science Review|year=2025|volume=12|issue=1|page=nwae279}}</ref>。