张江:如何从数据中发现因果涌现——神经信息压缩器|周日直播·因果涌现读书会
导语
复杂系统在宏观状态和微观状态都有不同的刻画和描述,当一个系统在宏观尺度能够展现出比它的微观尺度更强的因果特性,就发生了因果涌现。然而,从数据中识别这种出现的因果关系仍然是一个尚未解决的难题,因为正确的粗粒化策略并不容易找到。本次分享是张江老师近日在arXiv公开的一篇论文《Neural Information Squeezer for Causal Emergence》,本文提出了一个通用的机器学习框架:「NIS框架」(Neural Information Squeezer)针对连续动力系统的因果涌现辨识问题,能自动提取有效的粗粒化和宏观状态。
因果涌现读书会第二季主要围绕追根溯源、因果涌现、因果表示学习、机器学习多尺度自动建模、量子因果五大主题来探寻涌现、因果科学和机器学习这三大主题之间的联系。自2022年5月22日开始,每周日晚上19:00-21:00举办,持续时间预计14-16周。欢迎对本话题感兴趣的朋友报名参加!对本期话题感兴趣可以点击预约链接进行预约:
报告内容简介
报告内容简介
【大纲】
-
涌现及因果涌现理论介绍
-
从涌现到因果涌现理论
-
因果涌现辨识问题与已有解决方案
-
关于有效信息的计算
-
背景知识
-
多尺度数据驱动建模 -
可逆神经网络 -
基于神经网络的高维映射有效信息的计算
-
神经信息压缩机(Neural Information Squeezer简称NIS)
-
问题背景和解决方案——连续动力系统的因果涌现辨识 -
NIS的架构与实现 -
理论分析结果 -
数值实验结果
-
问题与展望
-
存在问题 -
进一步研究
【主要涉及到的知识概念】
-
因果涌现 Causal Emergence
-
粗粒化 Coarse-graining
-
有效信息 Effective Information
-
多尺度数据驱动建模 Multi-scale data driven modelling
-
可逆神经网络 Invertible Neural Network
-
信息瓶颈理论 Information bottleneck theory
主讲人简介
主讲人简介
[1]Jiang Zhang. Neural Information Squeezer for Causal Emergence. arXiv:2201.10154, 2022
与读书会主题之间的关系
与读书会主题之间的关系
直播信息
直播信息
参与方式:
-
集智俱乐部 B 站免费直播,扫码可预约
-
文末扫码付费参加因果涌现读书会第二季可加入腾讯会议,可提问交流,加入群聊,获取回看地址及更多学习资料,成为因果涌现社区种子用户,与因果涌现社区的一线科研工作者沟通交流,共同推动因果涌现社区的发展
因果涌现读书会第二季招募中
跨尺度、跨层次的涌现是复杂系统研究的关键问题,生命起源和意识起源这两座仰之弥高的大山是其代表。而因果涌现理论、机器学习重整化技术、自指动力学等近年来新兴的理论与工具,有望破解复杂系统的涌现规律。同时,新兴的因果表示学习、量子因果等领域也将为因果涌现研究注入新鲜血液。
点击“阅读原文”,报名直播