更改

通过信息理论，我们可以量化这些因果关系的信息量。更强的因果关系意味着它们传递了更多的信息。我们使用**有效信息**（Effective Information, **EI**）来衡量因果关系的强度。具体来说，**EI**是干预分布（**ID**）和效应分布（**ED**）之间的互信息（Mutual Information, **MI**），当**ID**为最大熵分布（即**H^max**）时。换句话说，**EI**是通过向网络注入噪声（随机化）后计算的互信息。这种随机化有多个作用：首先，它确保了所有传递的互信息都是由噪声引起的，而不是简单的相关性；其次，作为最大熵的干预，**EI**反映了随机化变量所产生的信息量，这在科学中是因果关系的“黄金标准”；最后，**EI**可以被视为对输入状态空间的无偏采样，反映了网络如何处理分布外的数据。

通过信息理论，我们可以量化这些因果关系的信息量。更强的因果关系意味着它们传递了更多的信息。我们使用**有效信息**（Effective Information, **EI**）来衡量因果关系的强度。具体来说，**EI**是干预分布（**ID**）和效应分布（**ED**）之间的互信息（Mutual Information, **MI**），当**ID**为最大熵分布（即**H^max**）时。换句话说，**EI**是通过向网络注入噪声（随机化）后计算的互信息。这种随机化有多个作用：首先，它确保了所有传递的互信息都是由噪声引起的，而不是简单的相关性；其次，作为最大熵的干预，**EI**反映了随机化变量所产生的信息量，这在科学中是因果关系的“黄金标准”；最后，**EI**可以被视为对输入状态空间的无偏采样，反映了网络如何处理分布外的数据。

此外，**EI**还可以被理解为衡量函数映射的“图像”如何帮助恢复“原像”，并且与Kolmogorov复杂度和VC熵有重要关系[31]。最重要的是，先前的研究表明，**EI**能够反映因果关系的重要特性，例如其确定性（缺乏噪声）或退化性（缺乏唯一性）[16]，而这些特性是标准互信息（MI）无法捕捉的。

此外，**EI**还可以被理解为衡量函数映射的“图像”如何帮助恢复“原像”，并且与Kolmogorov复杂度和VC熵有重要关系<ref>R. A. Fisher.  The Design of Experiments. The American Mathematical Monthly, 43(3):180, 1936.  ISSN 00029890. doi: 10.2307/2300364.</ref>。最重要的是，先前的研究表明，**EI**能够反映因果关系的重要特性，例如其确定性（缺乏噪声）或退化性（缺乏唯一性）<ref name=":0" />，而这些特性是标准互信息（MI）无法捕捉的。