AIGC動態(tài)歡迎閱讀

原標(biāo)題：機(jī)器學(xué)習(xí)框架NIS+：通過最大化有效信息識別“因果涌現(xiàn)” | NSR
關(guān)鍵字：因果,動力學(xué),數(shù)據(jù),觀察者,微觀
文章來源：人工智能學(xué)家
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

機(jī)器學(xué)習(xí)技術(shù)難以捕捉復(fù)雜系統(tǒng)中的涌現(xiàn)現(xiàn)象（比如鳥群的集群行為、生命游戲現(xiàn)的復(fù)雜模式等），這阻礙了對復(fù)雜系統(tǒng)演化的預(yù)測。近日，北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院張江課題組提出了一套可以識別“因果涌現(xiàn)”的機(jī)器學(xué)習(xí)框架——強(qiáng)化版神經(jīng)信息壓縮器（Neural Information Squeezer Plus, NIS+）。該框架結(jié)合樣本重加權(quán)和反向動力學(xué)訓(xùn)練兩項(xiàng)技術(shù)，可以通過有效信息（Effective Information，簡稱EI）最大化，實(shí)現(xiàn)從觀測時間序列中提取最優(yōu)的粗粒化策略，建立宏觀動力學(xué)預(yù)測模型，并判斷是否發(fā)生因果涌現(xiàn)。相關(guān)研究成果以“Finding emergence in data by maximizing effective information”為題發(fā)表于《國家科學(xué)評論》（National Science Review，NSR）。NIS+框架圖經(jīng)典因果涌現(xiàn)理論中的“觀察者效應(yīng)”因果涌現(xiàn)在2013年被正式提出，是一套定量刻畫涌現(xiàn)現(xiàn)象的理論框架。對于一個系統(tǒng)不同的觀察者來說，他們可能在微觀或宏觀兩種不同的尺度來觀察、刻畫同一個系統(tǒng)，從而分別得到微觀動力學(xué)和宏觀動力學(xué)，其中后者

原文鏈接：機(jī)器學(xué)習(xí)框架NIS+：通過最大化有效信息識別“因果涌現(xiàn)” | NSR

聯(lián)系作者

文章來源：人工智能學(xué)家
作者微信：
作者簡介：