175
个编辑
更改
→冗余信息计算方法
'''信息原子的数值计算'''
'''信息原子的数值计算'''
部分信息分解示例和dit库
为了将这些概念联系在一起，让我们看看一些例子。当涉及到信息理论概念时，dit是这些实验的绝佳工具。这是一个由创建自定义概率分布，然后对它们进行测量的lib组成。这个库中有几个功能，可以在他们的Github或官方文档页面上找到它们。
对于所有示例，我们可以想到两个特征X_1和X_2，它们都是二进制的，目标变量Y是具有这些特征的布尔运算。所有测量部分信息的形式都将由Williams和Beer [1]提供，但其他作者提出的其他形式也在dit中实施。
独特信息
在这个例子中，假设目标变量Y由图给出。4.请注意，输出总是等于特征X_1，这使得特征X_2完全无关紧要。
图4：AND门的图和唯一的信息来源。
图4：AND门的图和唯一的信息来源。
出于这个原因，X_1和X_2提供的关于Y的信息完全集中在X_1中。在我们迄今为止发展的形式主义中，我们可以说关于Y的信息是X_1独有的。
在dit库中，我们可以创建这个：
import dit # importing dit library
from dit.pid import PID_WB # importing the PID measure we want to use
# creating a probability distribution of AND gate
dist_unique = dit.Distribution(["000", "010", "101", "111"], [1/4, 1/4, 1/4, 1/4])
print(PID_WB(dist_unique))
"""
Out:
+--------+--------+--------+
| I_min | I_r | pi |
+--------+--------+--------+
| {0:1} | 1.0000 | 0.0000 |
| {0} | 1.0000 | 1.0000 |
| {1} | 0.0000 | 0.0000 |
| {0}{1} | 0.0000 | 0.0000 |
+--------+--------+--------+
"""
dit对信息类型进行编码如下：
{0:1}：X_1和X_2之间的协同信息
{0}：X_1提供的唯一信息
{1}：X_2提供的唯一信息
{0}{1}：X_1和X_2提供的冗余信息
我们可以通过输出看到，提供的唯一部分信息（“pi”列）来自X_1。
冗余信息
下一个示例用于显示冗余信息。在这里，X_1、X_2和Y都相等，如图5所示，因此X_1和X_2提供的关于Y的冗余信息是最大的。
图5：完全冗余的信息。
图5：完全冗余的信息。
使用dit，代码如下：
import dit # importing dit library
from dit.pid import PID_WB # importing the PID measure we want to use
# creating a redundant probability distribution
dist_redundant = dit.Distribution(["000", "111"], [1/2, 1/2])
print(PID_WB(d_redundant))
"""
Out:
+--------+--------+--------+
| I_min | I_r | pi |
+--------+--------+--------+
| {0:1} | 1.0000 | 0.0000 |
| {0} | 1.0000 | 0.0000 |
| {1} | 1.0000 | 0.0000 |
| {0}{1} | 1.0000 | 1.0000 |
+--------+--------+--------+
"""
正如我们所看到的，X_1和X_2提供的关于Y的唯一信息是多余的，换句话说，两者都提供。
协同信息
协同信息的一个经典例子是XOR门。XOR门的图表如图所示。6.
图6：具有完全协同信息的XOR门
图6：具有完全协同信息的XOR门
通过这个分布注意到，只有当我们同时知道X_1和X_2时，我们才能知道目标变量Y。没有X_1和X_2，就不可能知道Y，只是因为对于X_1的每个值，我们都有Y的两个值；X_2也是如此。代码indit是：
import dit # importing dit library
from dit.pid import PID_WB # importing the PID measure we want to use
# creating a probability distribution of XOR gate
dist_syn = dit.Distribution(["000", "011", "101", "110"], [1/4]*4)
print(dist_syn)
"""
Out:
+--------+--------+--------+
| I_min | I_r | pi |
+--------+--------+--------+
| {0:1} | 1.0000 | 1.0000 |
| {0} | 0.0000 | 0.0000 |
| {1} | 0.0000 | 0.0000 |
| {0}{1} | 0.0000 | 0.0000 |
+--------+--------+--------+
"""
不出所料，X_1和X_2传达的关于Y的唯一信息是{0:1}，这是协同信息。
https://towardsdatascience.com/what-is-partial-information-decomposition-and-how-features-interact-a713456a1029/<nowiki/>链接中提到了作为信息论实验的Dit库
还有专门实现PID计算的pietromarchesi库：https://github.com/pietromarchesi/pidpy
还有专门实现PID计算的pietromarchesi库：https://github.com/pietromarchesi/pidpy