“讨论:NIS+”的版本间的差异
| 第1行： | 第1行： | ||
=NIS+数值试验= | =NIS+数值试验= | ||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
==大脑fMRI== | ==大脑fMRI== | ||
| 第53行： | 第10行： | ||
PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？ | PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？ | ||
| + | YMZ：这个结论感觉有点不清晰。下面这一段是我们最近一个宣传稿（还没发出来）里对这个实验的一段评述，你可以整理一下用统一的人称再表述出来。 | ||
| + | |||
| + | “当荣英淇考察这些维度的因果涌现水平时，得到q=1维是更好的选择，如下图：”（CE柱状图） | ||
| + | “该图中，绿色柱子就是NIS+应用于第一组实验数据所计算出不同维度q下的因果涌现数值。可以看出q=1的数值最高。为了比对，团队也用NIS框架分析了同样的数据，如图中的红色柱子所示，可以看出它在不同维度上的分布与绿色柱子近似相同，但是因果涌现度量都比较小。这说明，q=1 维能够展现因果涌现是一个稳定客观的结果，其次，NIS+由于最大化了EI，因而会让这一结果更加突出。 | ||
| + | 综合来看，当被试在看同一组视频的时候，它们的fMRI数据用一个维度的宏观动力学就可以很好地概括大脑的活动了。荣英淇利用归因分析技术，追踪这一个维度的宏观态数据到底和哪些原始数据维度有关，并把归因分析的强度值分配到这100个原始微观态维度所对应的脑区，如下图所示：”（脑图） | ||
| + | “可以看出，颜色较深的区域大多都是负责视觉信号加工的脑区。 | ||
| + | 第二组试验结果如图中的黄色柱子所示。这个时候，因果涌现最大的维度在q=3或q=7的位置。这个时候，大脑的动态表现无法简化为一个一维的宏观动力学，而至少需要3~7个维度才能对大脑的活动进行概括。 | ||
| + | 综合这两组实验可以得出结论，首先NIS+是可以直接从fMRI时间序列数据揭示出大脑在不同尺度的动力学，并发现因果涌现主要发生在哪个尺度；当被试集中看视频的时候，大脑活动可以被一个维度的宏观信号所概括，这一维度主要代表的是视觉区域的活动状态，大脑发生了非常明显的因果涌现现象；而在静息态下，被试大脑虽然也发生了因果涌现现象，但强度明显低于前者。大脑的主要活动则相对第一组更复杂，因为它不能简单地被一个维度的宏观态所概括，而是集中在一个3~7维的介观尺度上。” | ||
* 这些区域的数字神经元可能协同作用 | * 这些区域的数字神经元可能协同作用 | ||
| 第60行： | 第25行： | ||
PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？ | PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？ | ||
| − | + | YMZ：可以。我后面也会跟英淇确认一下这个术语。 | |
| − | |||
| − | |||
| − | |||
| − | |||
=总结= | =总结= | ||
2024年8月27日 (二) 11:15的版本
NIS+数值试验
大脑fMRI
- 因此，我们可以得出这样的结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。
前面实验结果说的和静息态数据对比。静息态下q=7.而不是观看电影
PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？
YMZ：这个结论感觉有点不清晰。下面这一段是我们最近一个宣传稿（还没发出来）里对这个实验的一段评述，你可以整理一下用统一的人称再表述出来。
“当荣英淇考察这些维度的因果涌现水平时，得到q=1维是更好的选择，如下图：”（CE柱状图） “该图中，绿色柱子就是NIS+应用于第一组实验数据所计算出不同维度q下的因果涌现数值。可以看出q=1的数值最高。为了比对，团队也用NIS框架分析了同样的数据，如图中的红色柱子所示，可以看出它在不同维度上的分布与绿色柱子近似相同，但是因果涌现度量都比较小。这说明，q=1 维能够展现因果涌现是一个稳定客观的结果，其次，NIS+由于最大化了EI，因而会让这一结果更加突出。 综合来看，当被试在看同一组视频的时候，它们的fMRI数据用一个维度的宏观动力学就可以很好地概括大脑的活动了。荣英淇利用归因分析技术，追踪这一个维度的宏观态数据到底和哪些原始数据维度有关，并把归因分析的强度值分配到这100个原始微观态维度所对应的脑区，如下图所示：”（脑图） “可以看出，颜色较深的区域大多都是负责视觉信号加工的脑区。 第二组试验结果如图中的黄色柱子所示。这个时候，因果涌现最大的维度在q=3或q=7的位置。这个时候，大脑的动态表现无法简化为一个一维的宏观动力学，而至少需要3~7个维度才能对大脑的活动进行概括。 综合这两组实验可以得出结论，首先NIS+是可以直接从fMRI时间序列数据揭示出大脑在不同尺度的动力学，并发现因果涌现主要发生在哪个尺度；当被试集中看视频的时候，大脑活动可以被一个维度的宏观信号所概括，这一维度主要代表的是视觉区域的活动状态，大脑发生了非常明显的因果涌现现象；而在静息态下，被试大脑虽然也发生了因果涌现现象，但强度明显低于前者。大脑的主要活动则相对第一组更复杂，因为它不能简单地被一个维度的宏观态所概括，而是集中在一个3~7维的介观尺度上。”
- 这些区域的数字神经元可能协同作用
什么是数字神经元？
PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？
YMZ：可以。我后面也会跟英淇确认一下这个术语。
总结
- 这种不断发展的微观状态和宏观编码之间的一致性证实了学习动力学和粗粒化方法是可交换的。
这句话没太看懂是什么意思，可能是翻译的问题。
PLL：这种微观状态和编码成的宏观状态之间的一致性证实了学习动力学和粗粒化方法是可交换的。——这样呢？
其他没什么问题了，就是人称再改一改，交叉引用实验部分再补齐一下就差不多了
PLL：交叉引用实验部分，已加，主要是NIS，SIR，EI，CE，其他的还有什么需要引用吗？比如Boirds模型？泛化？