2,464
个编辑
更改
跳到导航
跳到搜索
第28行：
第28行： − 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）。
→数学框架：最大化EI
2013年，Erik Hoel和他的团队首次提出了[[因果涌现]]理论<ref name=":1" />，使用[[有效信息]]（Effective Information, EI）来量化离散马尔科夫动力学系统的因果性强弱
2013年，Erik Hoel和他的团队首次提出了[[因果涌现]]理论<ref name=":1" />，使用[[有效信息]]（Effective Information, EI）来量化离散马尔科夫动力学系统的因果性强弱
NIS框架解决的数学问题正是如何最大化这一过程中的[[有效信息]]。
NIS框架解决的数学问题正是如何最大化这一过程中的[[有效信息]]。