216
个编辑
更改
→PID框架在人工智能领域中的应用
Pigozzi, F., Goldstein, A., & Levin, M. (2025). Associative conditioning in gene regulatory network models increases integrative causal emergence. ''Communications Biology'', ''8''(1), 1027.
Pigozzi, F., Goldstein, A., & Levin, M. (2025). Associative conditioning in gene regulatory network models increases integrative causal emergence. ''Communications Biology'', ''8''(1), 1027.
=== PID框架在意识研究中的应用 ===
Andrea I Luppi, Pedro A M Mediano, Fernando E Rosas, David J Harrison, Robin L Carhart-Harris, Daniel Bor, Emmanuel A Stamatakis, What it is like to be a bit: an integrated information decomposition account of emergent mental phenomena, ''Neuroscience of Consciousness'', Volume 2021, Issue 2, 2021, niab027, <nowiki>https://doi.org/10.1093/nc/niab027</nowiki>
在2021年的一篇工作中.Luppi等人提出了一种基于PID框架扩展的PhiID框架的意识理论，称之为Psy-ID理论。
这一工作主要探讨意识的是否有涌现机制、不同意识状态的本质等差异如何度量等意识科学领域的核心问题。
作者等人主张,将意识视为由不同信息论要素构成,可实现对其更全面的刻画。借助由PID框架扩展而来的Phi ID框架，作者定义了$$\Phi_R$$(修正的整合信息)与$$\Phi_{R-ing}$$ 比率（意识-信息转化效率）两种刻画意识的信息论指标。
$$\Phi_R= \mathrm{Synergy} + \mathrm{Transfer}$$
<nowiki>$$\Phi_{R-ing} = \frac{\Phi_R}{\mathrm{TDMI}};\mathrm{TDMI} = I(X_t,X_{t+\tau})$$</nowiki>
前者解决了IIT 2.0的中 $$\Phi ^{WMS}$$指标的负值问题，成为衡量意识存在性、强度的硬性指标；后者则从信息利用率的角度捕捉了$$\Phi_R$$无法度量的意识信息利用差异程度，与$$\Phi_R$$形成互补 ,为分析意识的信息加工机制提供了量化线索。
=== PID框架在随机过程中的应用 ===
=== PID框架在随机过程中的应用 ===
三源VAR过程的测试算例和真实的大气高斯系统仿真的结果表明，PIRD框架能够精准捕捉到零时滞PID无法捕捉到的多元相互作用,在捕捉时间相关性和频率特异性交互上优于零时滞PID方案。
三源VAR过程的测试算例和真实的大气高斯系统仿真的结果表明，PIRD框架能够精准捕捉到零时滞PID无法捕捉到的多元相互作用,在捕捉时间相关性和频率特异性交互上优于零时滞PID方案。
=== PID框架在人工智能领域中的应用 ===
Dutta S, Hamman F. A Review of Partial Information Decomposition in Algorithmic Fairness and Explainability. Entropy (Basel). 2023 May 13;25(5):795. doi: 10.3390/e25050795. PMID: 37238550; PMCID: PMC10217569.（可选）
=== 相关框架 ===
=== 相关框架 ===