5,443
个编辑
更改
→因果涌现充分指标
1. <math> \Psi_{t, t+1}(V) := I(V_{t}; V_{t+1}) - \sum_{j} I(X_{t}^j; V_{t+1}) </math>，这个指标衡量的是两个时间步长之间宏观变量的互信息减去每个微观状态与下一宏观状态之间的互信息。减去微观状态与下一时刻宏观状态之间的互信息一定能够保证所有的单一微观态和下一时刻的宏观态间的效果被从两时刻宏观态间的效果中剔除，但是这一不可避免的导致不同微观态对下一时刻的宏观态所提供的相同效果被重复的考虑。
1. <math> \Psi_{t, t+1}(V) := I(V_{t}; V_{t+1}) - \sum_{j} I(X_{t}^j; V_{t+1}) </math>，这个指标衡量的是两个时间步长之间宏观变量的互信息减去每个微观状态与下一宏观状态之间的互信息。减去微观状态与下一时刻宏观状态之间的互信息一定能够保证所有的单一微观态和下一时刻的宏观态间的效果被从两时刻宏观态间的效果中剔除，但是这一不可避免的导致不同微观态对下一时刻的宏观态所提供的相同效果被重复的考虑。
2. <math> \Delta_{t, t+1}(V) := \max_{j} I(V_{t}; X_{t+1}^j) - \sum_{i} I(X_{t}^i; X_{t+1}^j) </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间互信息的最大值与<math>X_{t}^i</math>与<math>X_{t+1}^j</math>之间互信息总和之间的差的最大值。
2. <math> \Delta_{t, t+1}(V) := \max_{j} （I(V_{t}; X_{t+1}^j) - \sum_{i} I(X_{t}^i; X_{t+1}^j)） </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间互信息与<math>X_{t}^i</math>与<math>X_{t+1}^j</math>之间互信息总和之间的差的最大值。
3. <math> \Gamma_{t, t+1}(V) := \max_{j} I(V_{t}; X_{t+1}^j) </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间最大互信息。
3. <math> \Gamma_{t, t+1}(V) := \max_{j} I(V_{t}; X_{t+1}^j) </math>，这个指标是<math>V_t</math>与<math>X_{t+1}^j</math>之间最大互信息。