2,435
个编辑
更改
无编辑摘要
=====因果涌现的识别=====
在前面的部分中，我们介绍了几个通过因果关系和其他信息论概念来量化涌现性。所有这些作品都试图提出定量的度量、概念框架和基于马尔可夫动力学的涌现因果性的数值示例。然而，在实际应用中，为了实施一个理论框架，我们需要能够自动地从真实数据中识别因果涌现，特别是动态系统的时序数据，并对结果提供解释。
因果涌现识别的第一种方法是在罗萨斯关于因果涌现的论文中介绍的，涉及由方程式定义的三个指标。识别标准在三个案例研究中得到了例证，得出以下结论：粒子碰撞在康威的生命游戏（Conway’s Game of Life）中作为一个独特的特征出现，鸟群动态在模拟的鸟类行为中作为一个特征出现，皮层中运动行为的表示从神经活动出现。
尽管这三个指标避免了冗余信息计算的问题，但重要的是要注意，它们作为充分条件，而不是涌现性的决定性证明。换句话说，大于0的指标可以表明存在涌现性，但小于0的指标并不一定意味着不存在涌现性。这个指标的构建在识别具有大量冗余信息或大量变量的系统中的涌现性时面临挑战，这在许多现实世界系统中通常是常见的情况。此外，这种方法的一个局限性是需要预先确定粗粒化变量V，而这个变量的不同选择可能会显著影响结果。因此，基于数据开发一个自动粗粒化策略仍然是一个未解决的问题。
因此，当前的因果涌现理论框架缺乏一个实用和有效的识别算法。尽管以前的研究提出了基于静态网络结构和信息分解近似的方法，但仍然需要一个全面的方法，可以应用于一般的马尔可夫动态系统。主要挑战之一是，需要在数据中搜索粗粒度或分解子集的所有可能功能，以识别复杂系统中的因果关系。然而，传统的数值方法无法处理与在广阔的函数空间中进行如此广泛的搜索相关的计算成本。因此，开发新的方法来解决这些问题势在必行。我们探索了机器学习技术的应用，以解决在时间序列数据中识别因果出现的挑战。
==== 与Hoel 的框架的比较 ====
==== 与Hoel 的框架的比较 ====
将 Hoel 的框架与 Rosas 的因果涌现量化框架进行比较，可以发现后者有几个明显的优势。首先，Rosas 的理论不需要预先确定的粗粒化方法，这使得它在数学上更加严谨和正式。其次，它对因果涌现进行了详细的分解，特别是向下因果关系和因果解耦。最后，它有效地避免了伪因果涌现的情况，即宏观变量仅依赖于微观变量中的独特或冗余信息。然而，也有一些缺点需要考虑。首先，为了获得完整的信息格，需要对所有变量组成进行系统迭代。此外，尽管使用了公式（38），但仍需要定义一个宏变量。不幸的是，作者没有提供任何方法来识别这样的变量。其次，所有互信息及其分解都是基于相关性而不是因果关系。讨论如何将因果因素（例如干预和反事实）纳入框架至关重要。最后，前面的讨论并没有解决根据给定的行为时间序列数据来识别系统中是否发生因果涌现的问题。为了解决这个问题，需要应用机器学习和人工智能等新兴技术。这些技术可以为检测和分析因果涌现提供有价值的工具和技术。
将 Hoel 的框架与 Rosas 的因果涌现量化框架进行比较，可以发现后者有几个明显的优势。首先，Rosas 的理论不需要预先确定的粗粒化方法，这使得它在数学上更加严谨和正式。其次，它对因果涌现进行了详细的分解，特别是向下因果关系和因果解耦。最后，它有效地避免了伪因果涌现的情况，即宏观变量仅依赖于微观变量中的独特或冗余信息。然而，也有一些缺点需要考虑。首先，为了获得完整的信息格，需要对所有变量组成进行系统迭代。此外，尽管使用了公式，但仍需要定义一个宏变量。不幸的是，作者没有提供任何方法来识别这样的变量。其次，所有互信息及其分解都是基于相关性而不是因果关系。讨论如何将因果因素（例如干预和反事实）纳入框架至关重要。最后，前面的讨论并没有解决根据给定的行为时间序列数据来识别系统中是否发生因果涌现的问题。为了解决这个问题，需要应用机器学习和人工智能等新兴技术。这些技术可以为检测和分析因果涌现提供有价值的工具和技术。