机器学习框架NIS+：通过最大化有效信息识别“因果涌现” | NSR

AIGC动态欢迎阅读

原标题：机器学习框架NIS+：通过最大化有效信息识别“因果涌现” | NSR
关键字：因果,动力学,数据,观察者,微观
文章来源：人工智能学家
内容字数：0字

内容摘要：

机器学习技术难以捕捉复杂系统中的涌现现象（比如鸟群的集群行为、生命游戏现的复杂模式等），这阻碍了对复杂系统演化的预测。近日，北京师范大学系统科学学院张江课题组提出了一套可以识别“因果涌现”的机器学习框架——强化版神经信息压缩器（Neural Information Squeezer Plus, NIS+）。该框架结合样本重加权和反向动力学训练两项技术，可以通过有效信息（Effective Information，简称EI）最大化，实现从观测时间序列中提取最优的粗粒化策略，建立宏观动力学预测模型，并判断是否发生因果涌现。相关研究成果以“Finding emergence in data by maximizing effective information”为题发表于《国家科学评论》（National Science Review，NSR）。NIS+框架图经典因果涌现理论中的“观察者效应”因果涌现在2013年被正式提出，是一套定量刻画涌现现象的理论框架。对于一个系统不同的观察者来说，他们可能在微观或宏观两种不同的尺度来观察、刻画同一个系统，从而分别得到微观动力学和宏观动力学，其中后者

原文链接：机器学习框架NIS+：通过最大化有效信息识别“因果涌现” | NSR