机器学习框架NIS+：通过最大化有效信息识别“因果涌现” | NSR

文章预览

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、生命游戏中出现的复杂模式等），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。 ………………………………