1,884
个编辑
更改
跳到导航
跳到搜索
第263行：
第263行： − + − + − + − 在该文章中作者使用贪婪算法来构建宏观尺度的网络，然而对于大规模网络来说，效率仍然很低。随后，Griebenow等<ref>Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering[J]. arXiv preprint arXiv:190807565, 2019.</ref>提出了一种基于谱聚类的方法来识别[[偏好依附网络]]中的因果涌现。相比[[贪婪算法]]以及[[梯度下降算法]]，[[谱聚类算法]]的计算时间最少，同时找到的宏观网络的因果涌现也更加显著。+
→应用
==应用==
==应用==
主要讲解因果涌现的潜在应用， 包括: 生物系统、神经网络、脑神经系统、人工智能(因果表示学习、基于世界模型的强化学习)、中医等。
主要讲解因果涌现的潜在应用， 包括: 生物系统、[[神经网络]]、脑神经系统、[[人工智能]]([[因果表示学习]]、[[基于世界模型的强化学习]])、中医等。
这些定量的量化因果涌现的方法已经广泛应用到很多[[复杂系统 Complex Systems|复杂系统]]中，包括具有成百上千节点的复杂网络以及神经网络，到具有明显涌现现象的[[康威的生命游戏 Conway's Game of Life|生命游戏]]、鸟群模型、蛋白质交互、生物以及真实的大脑网络等。
这些定量的量化因果涌现的方法已经广泛应用到很多[[复杂系统 Complex Systems|复杂系统]]中，包括具有成百上千节点的复杂网络以及神经网络，到具有明显涌现现象的[[康威的生命游戏 Conway's Game of Life|生命游戏]]、鸟群模型、蛋白质交互、生物以及真实的大脑网络等。
===复杂网络中的因果涌现===
===复杂网络中的因果涌现===
2020年，Klein和Hoel改进此前提出的基于粗粒化的方法并将其应用到[[复杂网络]]中<ref>Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>，作者借助随机游走子来定义网络中的马尔科夫链，将随机游走子放在节点上等价于对节点做干预，然后基于随机游走概率定义节点的转移概率矩阵。同时作者将[[有效信息]]与网络的连通性建立联系，网络中的连通性可以通过节点的出边和入边的权重的不确定性来表征，基于此定义复杂网络中的有效信息。
2020年，Klein和Hoel改进此前提出的基于粗粒化的方法并将其应用到[[复杂网络]]中<ref>Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>，作者借助[[随机游走子]]来定义网络中的[[马尔科夫链]]，将随机游走子放在节点上等价于对节点做干预，然后基于随机游走概率定义节点的转移概率矩阵。同时作者将[[有效信息]]与网络的连通性建立联系，网络中的连通性可以通过节点的出边和入边的权重的不确定性来表征，基于此定义复杂网络中的有效信息。
在[[随机网络模型|随机网络]]（ER）、偏好依赖网络（PA）等人工网络以及四类真实网络中进行实验比较。对于ER网络来说，有效信息的大小只依赖于连接概率<math>p </math>，并且随着网络规模的增大会收敛到<math>-log_2p </math>。同时一个关键发现表明，存在一个相变点，该相变点近似在网络的平均度（<math><k> </math>）等于<math>log_2N </math>的位置，同样对应于ER网络随着连接概率增加而出现巨连通集团的相变点位置，超过该相变点随机网络结构不会随着其规模的增加而包含更多的信息。对于PA网络来说，<math>\alpha<1.0 </math>时，有效信息的大小会随着网络规模的增加而增大；<math>\alpha>1.0 </math>时，结论相反；<math>\alpha=1.0 </math>对应的无标度网络则是增长的临界边界。对于真实网络，作者发现，生物网络因为具有很大的噪音，所以有效信息最低，通过有效的粗粒化能去除这些噪音，相比于其他类型网络因果涌现最显著，而技术类型网络是更稀疏、非退化的，因此，平均效率更高，节点关系也更加具体，所有有效信息也最高。
在[[随机网络模型|随机网络]]（ER）、[[偏好依赖网络]]（PA）等人工网络以及四类真实网络中进行实验比较。对于ER网络来说，有效信息的大小只依赖于[[连接概率]]<math>p </math>，并且随着网络规模的增大会收敛到<math>-log_2p </math>。同时一个关键发现表明，存在一个相变点，该相变点近似在网络的[[平均度]]（<math><k> </math>）等于<math>log_2N </math>的位置，同样对应于ER网络随着连接概率增加而出现[[巨连通集团]]的[[相变点]]位置，超过该相变点随机网络结构不会随着其规模的增加而包含更多的信息。对于PA网络来说，<math>\alpha<1.0 </math>时，有效信息的大小会随着网络规模的增加而增大；<math>\alpha>1.0 </math>时，结论相反；<math>\alpha=1.0 </math>对应的[[无标度网络]]则是增长的[[临界边界]]。对于真实网络，作者发现，生物网络因为具有很大的噪音，所以有效信息最低，通过有效的粗粒化能去除这些噪音，相比于其他类型网络因果涌现最显著，而技术类型网络是更稀疏、非退化的，因此，平均效率更高，节点关系也更加具体，所有有效信息也最高。
在该文章中作者使用[[贪婪算法]]来构建宏观尺度的网络，然而对于大规模网络来说，效率仍然很低。随后，Griebenow等<ref>Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering[J]. arXiv preprint arXiv:190807565, 2019.</ref>提出了一种基于[[谱聚类]]的方法来识别[[偏好依附网络]]中的因果涌现。相比[[贪婪算法]]以及[[梯度下降算法]]，[[谱聚类算法]]的计算时间最少，同时找到的宏观网络的因果涌现也更加显著。
===在生物系统上的应用===
===在生物系统上的应用===