| 第2行： |
第2行： |
| | =基于信息分解的因果涌现识别= | | =基于信息分解的因果涌现识别= |
| | | | |
| | + | YMZ：可以的，这一段没什么大问题了，有些衔接不通畅的地方我润色了一下，你可以再通读和润色一些语句，然后就可以加文献和引用了。 |
| | | | |
| − | * 该方法只是基于互信息计算没有考虑因果，
| + | PLL：已加，文献P. A. Mediano, F. Rosas, R. L. Carhart-Harris, A. K. Seth, A. B. Barrett, Beyond integrated information: A taxonomy of information dynamics phenomena, arXiv preprint arXiv:1909.02297 (2019). 和 Rosas F E, Mediano P A, Jensen H J, et al. Reconciling emergences: An information-theoretic approach to identify causal emergence in multivariate data[J]. PLoS computational biology, 2020, 16(12): e1008289. |
| − | | |
| − | Rosas他们也声称是因果涌现，是因为他们是基于格兰杰因果的。所以不能说它们完全没考虑因果，只是要比较格兰杰因果和Judea Pearl的因果。
| |
| − | | |
| − | （已改，神经网络框架是指？图片是这个吗？）
| |
| − | | |
| − | YMZ: 不是这张图，而是Learning Causally Emergent Representations这篇文章里的神经网络框架。不过我看了一下，因果涌现词条那里也写的非常简单，那你这里就不放图了吧，一句话说明他们也用了机器学习框架，就不提他那些数学符号了。然后这句话里引上参考文献Learning Causally Emergent Representations（已改：Rosas等学者利用机器学习框架【6】，通过信息分解来识别量化因果涌现，但是信息分解框架中定义的信息原子难以计算，——这篇文章的第一作者是Kaplanis要不要放在讲Kaplanis那里）
| |
| − | | |
| − | YMZ：要的，机器学习框架放到结尾来介绍，而不是开头
| |
| − | | |
| − | PLL：需要指出的是，Hoel的方法基于Judea Pearl因果，而此方法是基于格兰杰因果，利用机器学习框架，计算互信息的组合，没有引入do干预。这样呢? （YMZ：把“没有引入do干预”换成“容易出现造成虚假关联的混杂因子”就可以了）
| |
| − | | |
| − | YMZ：开头再加上 Rosas等人通过信息分解框架给出了和Hoel等人不同的对因果涌现的新定义 这一个信息点。其他没啥问题了。
| |
| − | | |
| − | PLL：已加，但是位置是最开头吗？
| |
| − | | |
| − | YMZ：可以的，这一段没什么大问题了，有些衔接不通畅的地方我润色了一下，你可以再通读和润色一些语句，然后就可以加文献和引用了。
| |
| | | | |
| | =NIS系列= | | =NIS系列= |
| 第25行： |
第10行： |
| | 目前这一小节没啥问题了，可以加参考文献和交叉引用了。 | | 目前这一小节没啥问题了，可以加参考文献和交叉引用了。 |
| | | | |
| − | PLL：参考文献添加了neural information squeezer for causal emergence这片，链接主要是NIS。如果师兄觉得可以，就把这个讨论删一下？ | + | PLL：参考文献添加了neural information squeezer for causal emergence这片，链接主要是NIS。 |
| | | | |
| | YMZ：可逆神经网络也加上对应的参考文献吧 | | YMZ：可逆神经网络也加上对应的参考文献吧 |
| | | | |
| − | =机器学习领域的分布外泛化问题=
| + | PLL：哪一篇？ Zhang J, Tao R, Yuan B. Dynamical Reversibility and A New Theory of Causal Emergence. arXiv preprint arXiv:2402.15054. 2024 Feb 23.这个吗？ |
| − | | |
| − | * 而在动力学系统中，模型可能对初始条件非常敏感，即使是微小的初始条件变化也可能导致系统行为的显著差异。如果训练数据的初始条件分布与测试数据不同，模型可能无法准确预测测试数据下的系统行为。甚至如果一些动力学参数不一样，也会造成模型的结果不准确。
| |
| − | | |
| − | 这句话逻辑不太准确，我改了一下你可以看看。
| |
| − | | |
| − | 这个小节没其他问题了～
| |
| | | | |
| | =NIS 概述= | | =NIS 概述= |
| 第42行： |
第21行： |
| | | | |
| | YMZ：要提一下 | | YMZ：要提一下 |
| − |
| |
| − | * 为了降低编码器 和解码器 的复杂程度，作者将编码过程分解为两个步骤
| |
| − |
| |
| − | 应该是为了数学性质和可解释性，以及降低模型参数量，采用了可逆神经网络。所以编码过程分解为了两个步骤。
| |
| | | | |
| | =NIS 缺陷= | | =NIS 缺陷= |
| 第53行： |
第28行： |
| | YMZ：差不多，也不用特别详细，但还需要写的更准确。 | | YMZ：差不多，也不用特别详细，但还需要写的更准确。 |
| | | | |
| − | * INN网络在大数据集上难以训练，此模型目前只能在小数据集上使用。
| + | PLL：师兄看看哪里需要修改？ |
| − | | |
| − | 这一点上不用提INN，就说整个框架难以拓展到更大规模的复杂系统上。
| |
| − | | |
| − | * 虽然我们可以说明什么是粗粒度函数，并将其清晰地分解为信息转换和信息丢弃两个部分
| |
| − | | |
| − | 黑箱除了INN，还有宏观动力学学习器。
| |
| − | | |
| − | * 模型所能预测的条件分布实际上仅限于高斯分布或拉普拉斯分布。
| |
| − | | |
| − | 这个不用提了，这是AI领域对神经网络可以接受的假设，不是我们关心的缺陷。可以加一条模型对马尔科夫性的假设。这是一个重要的局限。
| |
| | | | |
| | =NIS+ 概述= | | =NIS+ 概述= |
| − |
| |
| − | 别忘了这里放文章里那个大图。
| |