复杂系统中的因果和涌现综述|因果涌现第五季·周五直播
导语
内容简介
内容简介
然而,如何将这些自发应用变成自觉运用?这涉及到科学理解因果涌现的两个挑战:
-
如何定量度量涌现?
-
如何从数据中识别涌现的行为或现象?
张江老师课题组致力于解决如何从数据中识别因果涌现的问题,提出了基于系统测量数据的的有效信息计算和因果涌现识别方法 [NIS,NIS+,文献4-5]。该方法框架如上图所示。它利用神经网络对数据的拟合能力,以数据预测误差最小化以及有效信息最大化作为训练目标,训练一个神经网络模型,该神经网络模型被设计为可对输入信息进行压缩的形式,即所谓“信息瓶颈”,使得模型在学习微观动力学的同时,能够学到最优的粗粒化策略,并得到有效信息最大化的宏观动力学。NIS及NIS+的工作在将因果理论应用到实际问题上提供了一个解决方案,但这一方案仍然并非完美,目前仍然有适用问题的变量维数比较受限,以及对不同的问题场景需要不同的模型实现等问题,仍然有很大的改进空间。
此外,NIS+框架也可以为表征学习提供新的思路,NIS+的“信息瓶颈”用更少的维度表征了输入数据。由于NIS+可以学习最佳粗粒化策略,所谓“最佳”即让宏观动力学的有效信息最大化。可以证明,宏观动力学有效信息的最大化,等价于在模型训练过程中对训练的损失函数做相对于宏观变量概率分布的逆概率加权。这和因果表征学习的一般方法相得益彰。
最后,关于因果和涌现的本体论和认识论属性的讨论也是一个非常有趣的话题,我们也会对这一话题做一些探讨。
内容大纲
内容大纲
-
因果涌现概念和发展脉络
-
机器学习识别因果涌现
-
因果涌现和表征学习
-
因果涌现的哲学讨论
核心概念
核心概念
-
复杂系统 Complex Systems
-
计算力学 Computational Mechanism
-
因果涌现 Causal Emergence
-
信息瓶颈 Information Bottleneck
-
有效信息 Effective Information
-
信息分解 Information Decomposition
-
机器学习 Machine Learning
主讲人
主讲人
参与方式
参与方式
报名成为主讲人:
读书会成员均可以在读书会期间申请成为主讲人。主讲人作为读书会成员,均遵循内容共创共享机制,可以获得报名费退款,并共享本读书会产生的所有内容资源。具体见系列读书会详情:荟萃复杂系统前沿进展,集结因果涌现学术社区:因果涌现读书会第五季启动
参考文献
参考文献
推荐学习资料
推荐学习资料
-
张江老师撰写的因果涌现入门路径:https://pattern.swarma.org/article/296 -
复杂系统中的因果和涌现综述详细解读:https://pattern.swarma.org/article/292 相关文章:《集智科学研究中心重磅综述:复杂系统中的因果和涌现》 -
因果涌现第五季论文列表:https://pattern.swarma.org/article/295
因果涌现读书会第五季招募中
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。由北京师范大学系统科学学院教授、集智俱乐部创始人张江领衔发起的集智俱乐部「因果涌现」读书会第五季将追踪因果涌现领域的前沿进展,展示集智社区成员的原创性工作,探讨因果涌现理论、复杂系统的低秩表示理论、本征微观态理论之间的相通之处,希望对复杂系统的涌现现象有更深刻的理解。读书会从2024年4月19日开始,每周五晚20:00-22:00进行,持续时间预计8-10周。欢迎感兴趣的朋友报名参与!