更改

在整合信息理论（Integrated Information Theory, IIT）中，Φ（信息整合度）是该理论的核心指标，本质上属于一种[[有效信息]]（Effective Information, 简称 EI），对于有效信息指标其主要是用来度量马尔科夫动力学的因果效应强度（如需要详细了解相关内容，可参见[[有效信息]]词条）。具体而言，当把大脑视为一个因果网络时，Φ 指的是在所有子网络中，因果瓶颈处的有效信息所能达到的最大值。为了让大家对这个Φ（信息整合度）能有一个初步的了解，我们可以从两个复杂网络的例子来入手。

在整合信息理论（Integrated Information Theory, IIT）中，Φ（信息整合度）是该理论的核心指标，本质上属于一种[[有效信息]]（Effective Information, 简称 EI），对于有效信息指标其主要是用来度量马尔科夫动力学的因果效应强度（如需要详细了解相关内容，可参见[[有效信息]]词条）。具体而言，当把大脑视为一个因果网络时，Φ 指的是在所有子网络中，因果瓶颈处的有效信息所能达到的最大值。为了让大家对这个Φ（信息整合度）能有一个初步的了解，我们可以从两个复杂网络的例子来入手。

[[文件:整合信息论图4.png|无|缩略图|900x900像素|图1 两个网络的比较]]

[[文件:整合信息论图4.png|无|缩略图|900x900像素|图2.1 两个网络的比较]]

假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。

假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。

</math>

</math>

其中，<math>MI(A: B) = H(A)+H(B)-H(A,B)</math>表示互信息；<math>A^{Hmax}</math>表示在切断A的输入连接后，向其注入最大熵噪声（见图1），对于一个连续的马尔科夫动力学系统该噪声服从高斯分布：

其中，<math>MI(A: B) = H(A)+H(B)-H(A,B)</math>表示互信息；<math>A^{Hmax}</math>表示在切断A的输入连接后，向其注入最大熵噪声（见图2.2），对于一个连续的马尔科夫动力学系统该噪声服从高斯分布：

<math>

<math>

[[文件:整合信息论图5.png|无|缩略图|600x600像素|''双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)'']]

[[文件:整合信息论图5.png|无|缩略图|600x600像素|图2.2''双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)'']]

==== 最小信息二分（MIB）====

==== 最小信息二分（MIB）====