| 第152行： |
第152行： |
| | 将上述四项代入公式，即可得到神经网络的有效信息值。此方法通过解析公式与采样结合，显著降低了高维空间的计算复杂度，适用于实际场景中的EI评估。 | | 将上述四项代入公式，即可得到神经网络的有效信息值。此方法通过解析公式与采样结合，显著降低了高维空间的计算复杂度，适用于实际场景中的EI评估。 |
| | | | |
| − | =基于互信息方法量化联合效应= | + | =基于互信息方法计算神经网络层间EI= |
| | | | |
| − | [[整合信息论]]（Integrated Information Theory, IIT） 是一种用来评估系统中联合效应和独立效应的工具<ref>Giulio Tononi. Consciousness as integrated information: a provisional manifesto. The Biological Bulletin, 215(3): 216–242, 2008.</ref>。简单来说，联合效应指的是多个节点（或变量）共同作用产生的效果，而独立效应则是单个节点单独作用的效果。IIT帮助我们分析网络中这些效应是如何整合在一起的<ref>William Marshall, Hyunju Kim, Sara I Walker, Giulio Tononi, and Larissa Albantakis. How causal analysis can reveal autonomy in models of biological systems. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 375(2109):20160358, 2017.</ref><ref name=":4">Larissa Albantakis, William Marshall, Erik Hoel, and Giulio Tononi. What caused what? a quantitative account of actual causation using dynamical causal networks. Entropy, , 21(5):459, 2019.</ref>。
| |
| | | | |
| − | 以前，研究人员通过计算[[有效信息]]的损失来衡量综合信息<ref>David Balduzzi and Giulio Tononi. Integrated information in discrete dynamical systems: motivation and theoretical framework. PLoS Comput Biol, 4(6):e1000091, 2008.</ref>。EI是一种衡量因果关系的工具，它通过向网络输入随机噪声（最大熵扰动），然后测量输入层和输出层之间的互信息来量化因果强度。然而，目前还没有一个通用的标准来衡量综合信息<ref>Masafumi Oizumi, Larissa Albantakis, and Giulio Tononi. From the phenomenology to the mechanisms of consciousness: integrated information theory 3.0. PLoS Comput Biol, 10(5):e1003588, 2014.</ref>。不同的系统可能需要不同的方法来衡量<ref>Max Tegmark. Improved measures of integrated information. PLoS computational biology, 12(11):e1005123, 2016.</ref><ref>Pedro AM Mediano, Anil K Seth, and Adam B Barrett. Measuring integrated information: Comparison of candidate measures in theory and simulation. Entropy, 21(1):17, 2019.</ref>。
| |
| − |
| |
| − | 在传统的[[前馈神经网络]]中，综合信息通常被认为是零，因为[[前馈神经网络]]没有反馈连接（即信息只能从输入层流向输出层）。然而，即使在前馈网络中，一层的节点仍然可能对另一层产生联合效应，即多个节点共同作用的效果。为了衡量这种联合效应，我们引入了一种新的度量方法，称为前馈集成信息（Feedforward Integrated Information, <math>\Phi_{feedforward}</math>）。
| |
| − |
| |
| − | ==量化联合效应==
| |
| − |
| |
| − | 为了量化联合效应，我们首先需要计算每条边的独立贡献。我们引入了一个叫做<math>EI_{parts}</math>的度量方法。具体来说，对于每一层的每个节点，我们记录它在随机扰动下的激活值，然后计算这些激活值与下一层节点之间的互信息。最后，我们将所有这些互信息值相加，得到<math>EI_{parts}</math>：
| |
| − |
| |
| − | <math>
| |
| − | \begin{equation}
| |
| − | EI_{\text{parts}}(L_1 \rightarrow L_2) = \sum_{(i \in L_1, j \in L_2)} I(t_i, t_j) \mid \text{do}(L_1 = H^{\max}).
| |
| − | \end{equation}
| |
| − | </math>
| |
| − |
| |
| − | 这里的<math>I(t_i, t_j)</math>表示节点<math>i</math>和节点<math>j</math>之间的互信息，<math>\text{do}(L_1 = H^{\max})</math>表示对输入层<math>L_1</math>进行最大熵扰动。
| |
| − |
| |
| − | ==联合效应与独立效应的差异==
| |
| − |
| |
| − | <math>EI_{parts}</math>衡量的是网络中每条边的独立贡献，但它可能会忽略一些联合效应。为了捕捉这些联合效应，我们计算<math>EI</math>和<math>EI_{parts}</math>之间的差异，即：
| |
| − |
| |
| − | <math>
| |
| − | \begin{equation}
| |
| − | \Phi_{feedforward} = EI - EI_{parts}.
| |
| − | \end{equation}
| |
| − | </math>
| |
| − |
| |
| − | 这个差值<math>\Phi_{feedforward}</math>表示网络中联合效应的总量。如果<math>\Phi_{feedforward}</math>是正的，说明网络中的联合效应是有益的；如果是负的，说明这些联合效应可能是噪声。
| |
| − |
| |
| − | ==训练过程中联合效应的变化==
| |
| − |
| |
| − | 为了了解联合效应在训练过程中的变化，我们分析了两个经典的数据集：Iris和MNIST。我们发现，MNIST数据集上的网络比Iris数据集上的网络具有更高的<math>\Phi_{feedforward}</math>。这表明，MNIST任务更复杂，网络需要更多的联合效应来学习（见下图）。
| |
| | | | |
| | [[文件:截屏2024-12-14 21.54.19.png|替代=|无框|500x500像素]] | | [[文件:截屏2024-12-14 21.54.19.png|替代=|无框|500x500像素]] |