640
个编辑
更改
→因果涌现识别
== 因果涌现识别 ==
== 因果涌现识别 ==
上述理论框架很好地定量刻画了各种涌现现象。但是在现实中，我们更需要解决的是从数据中辨识出因果涌现是否发生的问题。从数据中识别出复杂系统的因果涌现，一方面可以节约预测成本，增强预测效果，尤其是泛化效果；另一方面也可能诱导或者预防涌现的发生。在实际应用中，一些微观数据难以捕捉，我们往往只能收集到观测数据，并推断系统的真实动力学。因此，从可观测数据中识别系统中因果涌现的发生是一个关键的问题。
近年来，基于神经网络的机器学习方法取得了突破性进展<ref>Vlachas P-R, Arampatzis G and Uhler C et al. Multiscale simulations of complex systems by learning their effective dynamics. Nat Mach Intell 2022; 4: 359–366.</ref><ref>Kemeth F-P, Bertalan T and Thiem T et al. Learning emergent partial differential equations in a learned emergent space. Nat Commun 2022; 13: 3318.</ref><ref>Floryan D and Graham M-D. Data-driven discovery of intrinsic dynamics. Nat Mach Intell 2022; 4: 1113–1120.</ref><ref>Cai L and Ji S. A multi-scale approach for graph link prediction. Proceedings of the AAAI Conference on Artificial Intelligence, New York, 20-27 February 2020.</ref><ref>Chen Z, Li S and Yang B et al. Multi-scale spatial temporal graph convolutional network for skeleton-based action recognition. Proceedings of the AAAI Conference on Artificial Intelligence, New York, 22 February - 1 March 2022.</ref>，借助此方法，以数据驱动的方式自主发现复杂系统的因果关系、因果机制，以至动力学都成为可能。此外，机器学习和神经网络还可以帮助我们找到更好的粗粒化策略、从数据中发现宏观层面的因果关系。
下面介绍两种因果涌现的识别方法：①基于信息分解的因果涌现识别近似方法、②[[NIS|神经信息压缩器]]方法系列（Neural Information Squeezer，简称NIS）。
下面介绍两种因果涌现的识别方法：①基于信息分解的因果涌现识别近似方法、②[[NIS|神经信息压缩器]]方法系列（Neural Information Squeezer，简称NIS）。