.png){kind=icon}
返回
Singular-value-decomposition-based causal emergence for Gaussian iterative systems
.png){kind=icon}
PRE
AI
DOI：10.1103/mfct-sxn5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于有效信息（EI）的因果涌现（CE）表明，宏观状态在动态过程中可以表现出比微观状态更强的因果效应。然而，CE的识别和EI的最大化均依赖于粗粒化策略，这是关键挑战。最近提出的一种基于近似动态可逆性的CE框架，利用奇异值分解（SVD），独立于粗粒化。但其仍局限于离散状态的转移概率矩阵。为解决此问题，本文提出了一种适用于高斯迭代系统的CE量化框架，该框架基于前向和后向动力学中逆协方差矩阵的SVD所导出的近似动态可逆性。文中给出了基于SVD和基于EI的CE之间的正相关关系及其等价条件，并进行了解析推导。随后，我们直接从奇异值谱和正交矩阵中提供了精确的粗粒化策略。该新框架可应用于任何具有连续状态和高斯噪声的动态系统，例如自回归增长模型、马尔可夫-高斯系统，甚至使用神经网络的SIR模型。典型案例的数值模拟验证了我们的理论，并提出了一种新的研究CE现象的方法，该方法在已知模型和机器学习中更强调噪声和协方差而非动态函数。
Keyword:
APPROXIMATION
POPULATION
MODEL
期刊
IF:
2.4
论文数:
1.4K
被引数:
10.2W
机构
引用论文
Finding emergence in data by maximizing effective information通过最大化有效信息在数据中发现涌现.png)
NATIONAL SCIENCE REVIEW
OAAI
NATIONAL SCIENCE REVIEWIF17.1
OAAI分享收藏分享收藏
分享收藏
查看更多内容