讨论:NIS - 版本历史

2024年9月1日 (日) 09:55 相信未来

2024-09-01T09:55:08Z

2024-07-27T11:42:39Z

2024-07-17T04:40:57Z

2024-07-17T03:42:38Z

2024-07-17T03:38:34Z

2024-07-17T03:29:10Z

琐碎的策略

2024-07-17T03:28:39Z

琐碎的策略：新章节

2024-07-14T09:09:08Z

2024-07-14T09:07:58Z

建立内容为“NIS（神经信息压缩器）是一个以最大化粗粒化过程中有效信息的神经网络框架。 NIS的提出实际上是为了解决因果涌现辨识…”的新页面

新页面

NIS（神经信息压缩器）是一个以最大化粗粒化过程中有效信息的神经网络框架。

NIS的提出实际上是为了解决因果涌现辨识问题的。而且，NIS虽然力图最大化EI，但第一个版本并没有真正实现这个目标。

←上一版本		2024年9月1日 (日) 09:55的版本
第25行：		第25行：

	最大化		最大化
		+
		+
		+	信道具有一定的容量，即将输入以最具信息性和可靠性转换为输出的能力。通过信道传输的信息速率对输入概率分布<math>p(X)</math>的变化非常敏感。通道的容量(<math>C</math>)由最大化互信息的输入集合定义，即信道可靠传输信息的最大速率：
		+
		+	<math>C = max _{p(X)} I(X;\mathcal{Y})</math>
		+
		+	因果涌现理论揭示了系统的类似因果容量。因果容量(CC)是系统以最具信息性和高效性的方式将干预转化为效应的能力：
		+
		+	<math>CC = max _{I_D}(I_D;E_D).</math>
		+
		+	正如改变通道的输入概率分布<math>p(X)</math>可以增加<math>I(X;Y)</math>，改变干预分布l可以增加<math>I_D</math>。宏观干预的使用转换或扭曲了<math>I_D</math>，导致因果涌现。相应地，具有EI最大化的宏观因果模型（及其相关的<math>I_D</math>和<math>E_D</math>）最充分地利用了系统的因果容量。还需注意的是，尽管从某个特定宏观尺度的视角来看，<math>I_D</math>仍处于<math>H</math>的最大化状态，即每个<math>do(s_m)</math>具有相同的概率（而<math>E_D</math>是宏观效应的集合）。

←上一版本		2024年7月17日 (三) 04:40的版本
第17行：		第17行：

	这里的有效信息量不是很明白，它应该不是 effective information，最好可以在行文中区分开这两个概念。		这里的有效信息量不是很明白，它应该不是 effective information，最好可以在行文中区分开这两个概念。
		+
		+	* 神经网络框架
		+
		+	图中粗粒化策略的符号有问题。

←上一版本		2024年7月17日 (三) 03:42的版本
第13行：		第13行：

	这里感觉因果容量没说清楚。改变输入概率分布和改变干预分布的区别是什么？（所以因果容量和信道容量有区别吗？）另外，后面又提到宏观态和最大熵分布，这和因果容量是什么关系？		这里感觉因果容量没说清楚。改变输入概率分布和改变干预分布的区别是什么？（所以因果容量和信道容量有区别吗？）另外，后面又提到宏观态和最大熵分布，这和因果容量是什么关系？
		+
		+	* 在这种粗粒化之后，二者都试图最大化由此产生的有效信息量
		+
		+	这里的有效信息量不是很明白，它应该不是 effective information，最好可以在行文中区分开这两个概念。

@@ 第6行： / 第6行： @@
 NIS的这三部分并不都是可逆的，只有编码解码器可逆，而且这两个共享同一个神经网络。
-· 琐碎的策略
+* 琐碎的策略
 建议用 平凡解 来作对应的中文名词

←上一版本		2024年7月17日 (三) 03:28的版本
第5行：		第5行：
	* 它由可逆神经网络组成，分为编码器、解码器、动力学学习器三部分		* 它由可逆神经网络组成，分为编码器、解码器、动力学学习器三部分
	NIS的这三部分并不都是可逆的，只有编码解码器可逆，而且这两个共享同一个神经网络。		NIS的这三部分并不都是可逆的，只有编码解码器可逆，而且这两个共享同一个神经网络。
		+
		+	== 琐碎的策略 ==
		+
		+	建议用平凡解来作对应的中文名词

←上一版本		2024年7月14日 (日) 09:09的版本
第1行：		第1行：
−	NIS（神经信息压缩器）是一个以最大化粗粒化过程中有效信息的神经网络框架。	+	* NIS（神经信息压缩器）是一个以最大化粗粒化过程中有效信息的神经网络框架。

	NIS的提出实际上是为了解决因果涌现辨识问题的。而且，NIS虽然力图最大化EI，但第一个版本并没有真正实现这个目标。		NIS的提出实际上是为了解决因果涌现辨识问题的。而且，NIS虽然力图最大化EI，但第一个版本并没有真正实现这个目标。
		+
		+	* 它由可逆神经网络组成，分为编码器、解码器、动力学学习器三部分
		+	NIS的这三部分并不都是可逆的，只有编码解码器可逆，而且这两个共享同一个神经网络。