259
个编辑
更改
→概述
第二个阶段：由于参数 <math>q</math> 是一维的，且 <math>0 < q < p</math>，简单迭代找到有效信息最大的宏观尺度。此步将复杂的泛函问题转化成一维空间中线性搜索问题。
第二个阶段：由于参数 <math>q</math> 是一维的，且 <math>0 < q < p</math>，简单迭代找到有效信息最大的宏观尺度。此步将复杂的泛函问题转化成一维空间中线性搜索问题。
通过此框架求的EI与容易受到微观维度p和宏观维度q的影响：
1）当输入数据的维度过大的时候，EI可能会发散。
2）EI的计算与q有关，不同维度下的q不容易直接比较大小。
所以，作者将EI与维度q的比值定义为平均维度EI，将宏观平均维度EI与微观平均维度EI的差定义为平均维度因果涌现。这样从数据中识别因果涌现的结果只受到雅可比矩阵的方差的相对值和行列式的对数值的影响。
具体请阅读词条[[NIS]]。
具体请阅读词条[[NIS]]。