更改

NIS（神经信息压缩器）是一个以解决因果涌现辨识问题为目的的神经网络框架。它由编码器、解码器、动力学学习器三部分组成，其中编码器、解码器共享同一个可逆神经网络。NIS可以通过微观状态时间序列的输入、训练后输出粗粒化策略、宏观动力学、最优建模尺度，并判断是否存在[[因果涌现]]。NIS框架可以被视为一个压缩信道，通过投影操作在中间进行信息压缩。这种压缩信息通道通过约束粗粒化策略，将复杂的微观状态映射到简单的宏观状态，从而定义了有效的粗粒化策略和宏观态。通过理论推导可以证明一系列数学结论，例如：通过神经网络的训练过程，宏观动力学的互信息可以逐渐逼近真实数据中微观态在一个时间步内的互信息 <math> I(\mathbf{x}_{t+1}; \mathbf{x}_t) </math>，并且这种逼近程度会随着宏观态维度的增加而减少。验证其性质的实验包括带测量噪声的弹簧振子模型、简单布尔网络等。NIS整体目标在于最大化有效信息，但NIS只通过维度参数寻优的方式部分实现了这一优化目标，关于这一问题更彻底的解决衍生出了[[NIS+]]框架。NIS展示了在时间序列数据中发现宏观动力学、粗粒化策略和因果涌现的理论性质和应用潜力。

NIS（神经信息压缩器，英文为：Neural Information Squeezer，简称NIS）是一个以解决因果涌现辨识问题为目的的神经网络框架。它由编码器、解码器、动力学学习器三部分组成，其中编码器、解码器共享同一个可逆神经网络。NIS可以通过微观状态时间序列的输入、训练后输出粗粒化策略、宏观动力学、最优建模尺度，并判断是否存在[[因果涌现]]。NIS框架可以被视为一个压缩信道，通过投影操作在中间进行信息压缩。这种压缩信息通道通过约束粗粒化策略，将复杂的微观状态映射到简单的宏观状态，从而定义了有效的粗粒化策略和宏观态。通过理论推导可以证明一系列数学结论，例如：通过神经网络的训练过程，宏观动力学的互信息可以逐渐逼近真实数据中微观态在一个时间步内的互信息 <math> I(\mathbf{x}_{t+1}; \mathbf{x}_t) </math>，并且这种逼近程度会随着宏观态维度的增加而减少。验证其性质的实验包括带测量噪声的弹簧振子模型、简单布尔网络等。NIS整体目标在于最大化有效信息，但NIS只通过维度参数寻优的方式部分实现了这一优化目标，关于这一问题更彻底的解决衍生出了[[NIS+]]框架。NIS展示了在时间序列数据中发现宏观动力学、粗粒化策略和因果涌现的理论性质和应用潜力。

=历史=

=历史=