index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
本文介绍了Erik Hoel提出的‘因果涌现’概念，以及如何利用机器学习框架从大量数据中自动提取复杂系统的动力学，并判断是否存在因果涌现现象。研究人员设计了一个名为NIS+的机器学习框架，通过最大化有效信息来学习宏观动力学模型，并量化因果涌现的程度。该框架在模拟和真实数据（如fMRI数据）上的实验结果表明，它能够有效识别因果涌现，并对不同噪声类型和测试环境具有较强的泛化预测能力。本次分享将从机器学习多尺度建模角度，介绍NIS+框架及其在分布外泛化预测问题上的贡献。
🤔 **因果涌现理论**: 描述了复杂系统在宏观与微观尺度下的‘有效信息’，揭示了系统宏观状态中的因果规律，但先前研究通常假设系统动力学已知，难以应用于真实系统。
💡 **NIS+机器学习框架**: 旨在从数据中自动提取复杂系统的动力学，并识别因果涌现现象。该框架通过最大化有效信息，学习宏观动力学模型并量化因果涌现的程度。
📊 **实验验证**: 在模拟数据（SIR模型、鸟群模型、生命游戏等）和真实fMRI数据中验证了NIS+框架的有效性，证明其能够有效识别因果涌现并具有良好的泛化预测能力。
🧬 **多尺度建模**: NIS+框架着重于机器学习多尺度建模，关注如何从宏观层面捕捉涌现动力学，并解决分布外泛化预测问题。
🧠 **fMRI数据应用**: 利用fMRI数据学习一维宏观状态，以代表人在观看电影片段时的复杂神经活动，展现了该框架在实际问题中的应用潜力。
集智俱乐部 集智俱乐部 2024年11月18日 23:07 北京
在对复杂系统进行多尺度时空分析时，需要定量刻画系统在不同尺度和不同时空上的因果关系与因果机制（即动力学过程）。Erik Hoel首次提出了“因果涌现”这一概念，通过描述和刻画系统在宏观与微观尺度下的“有效信息”，进而揭示系统宏观状态中的因果规律。这一概念有效地阐明了宏观和微观状态之间的联系与差异。然而，先前的相关讨论通常假设系统的演化动力学是已知的，这给真实系统的分析和预测带来了诸多挑战。Erik Hoel的理论尚未解决的关键问题是：如何从大量数据中自动提取系统的动力学，并判断是否存在因果涌现现象？「复杂系统自动建模」读书会第二季第十一期将由北京师范大学硕士研究生杨明哲分享，将介绍他作为一作发表在《国家科学评论》（National Science Review，简称NSR）上的工作：一个通过最大化有效信息识别“因果涌现”的机器学习框架，以及相关的因果涌现背景知识与机器学习多尺度建模研究。读书会将于11月21日（本周四）20:00-22:00进行，欢迎感兴趣的朋友参与讨论交流！对于复杂系统来说，因为涌现行为不能直接通过微观层面的观测数据捕获，所以以数据驱动的方式量化涌现现象和建模涌现的动力学是⼀个挑战。因此，开发⼀个框架来识别涌现现象，并使用现有数据在宏观层面捕捉涌现动力学至关重要。受因果涌现理论的启发，我们设计了⼀个机器学习框架，用于在涌现的潜在空间中学习宏观动力学并量化因果涌现的程度。该框架最大化了有效信息，从而得到了⼀个具有增强因果效应的宏观动力学模型。并且在模拟和真实数据上的实验结果证明了所提出框架的有效性：能够在不同条件下有效量化因果涌现的程度，并揭示了不同噪声类型的独特影响；能够从fMRI数据中学习到⼀维的宏观状态，以代表人在观看电影⽚段时的复杂神经活动。此外，在所有模拟数据中观察到该框架对不同测试环境有更强的泛化预测能力。本次报告将从机器学习多尺度建模角度切入，着重介绍NIS+作为一种机器学习框架，在分布外泛化预测问题上的贡献。涌现现象及相关定量研究
因果涌现理论与NIS
相关的机器学习多尺度建模研究
从NIS到NIS+
NIS+实验
因果涌现， Causal Emergence
分布外泛化， Out-of-Distribution Generalization (OOD Generalization)
样本重加权， Sample Re-weighting
有效信息， Effective Information
隐空间动力学， Latent Space Dynamics杨明哲，北京师范大学系统科学学院硕士生，在张江老师因果涌现研究小组。研究领域是因果涌现、复杂系统自动建模。Mingzhe Yang*, Zhipeng Wang, Kaiwei Liu, Yingqi Rong, Bing Yuan, Jiang Zhang, Finding emergence in data by maximizing effective information, National Science Review, 2024;, nwae279
Hoel, E. P., Albantakis, L., & Tononi, G. (2013). Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences, 110(49), 19790–19795.
Zhang, J., & Liu, K. (2022). Neural Information Squeezer for Causal Emergence. Entropy, 25(1), 26.
相关文章：
时间：2024年11月21日（本周四） 20:00-22:00
斑图链接：https://pattern.swarma.org/study_group_issue/748?from=wechat扫码参与「复杂系统自动建模」读书会第二季，加入群聊，获取系列读书会回看权限，加入复杂系统自动建模社区，与社区的一线科研工作者沟通交流，共同探索复杂系统自动建模这一前沿领域的发展。“复杂世界，简单规则”。
集智俱乐部联合复旦大学智能复杂体系实验室青年研究员朱群喜、浙江大学百人计划研究员李樵风、清华大学电子工程系数据科学与智能实验室博士后研究员丁璟韬、美国东北大学物理系Albert-László Barabási指导的博士后高婷婷、北京大学博雅博士后曹文祺、复旦大学数学科学学院应用数学方向博士研究生赵伯林、北京师范大学系统科学学院博士研究生牟牧云，共同发起「复杂系统自动建模」读书会第二季。
读书会将于9月5日起每周四晚上20:00-22:00进行，探讨四个核心模块：数据驱动的复杂系统建模、复杂网络结构推断、具有可解释性的复杂系统推断（动力学+网络结构）、应用-超材料设计和城市系统，通过重点讨论75篇经典、前沿的重要文献，从黑盒（数据驱动）到白盒（可解释性），逐步捕捉系统的“本质”规律，帮助大家更好的认识、理解、预测、控制、设计复杂系统，为相关领域的研究和应用提供洞见。欢迎感兴趣的朋友报名参与！
