脑网络中的因果涌现理论应用：来自信息分解的启示

智源社区 2024年07月28日

../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html

因果涌现是指系统整体表现出其组成部分所不具备的特性，即宏观性质无法完全还原为微观性质的总和。近年来，信息论被用于量化因果涌现，通过分析系统中信息整合的程度来揭示其涌现特性。研究表明，信息整合度越高，系统表现出因果涌现的可能性越大。这表明，宏观层面的信息整合可以超越微观层面的信息总和，从而产生新的、无法从微观层面预测的特性。

💥 **信息整合量化因果涌现** 信息论被用于量化因果涌现，通过分析系统中信息整合的程度来揭示其涌现特性。研究表明，信息整合度越高，系统表现出因果涌现的可能性越大。例如，在神经科学领域，研究人员利用信息论来分析大脑活动，发现大脑不同区域之间的信息整合程度越高，个体意识水平越高。这表明，意识并非仅仅由大脑单个神经元的活动决定，而是由不同区域之间信息整合的结果。信息整合度可以反映系统整体的复杂性和有序性，而不仅仅是单个组成部分的特性。因此，信息论为理解因果涌现提供了新的视角，帮助我们更好地理解复杂系统中整体与部分之间的关系。

🧠 **大脑信息整合与意识** 研究表明，大脑不同区域之间的信息整合程度越高，个体意识水平越高。这表明，意识并非仅仅由大脑单个神经元的活动决定，而是由不同区域之间信息整合的结果。信息整合度可以反映系统整体的复杂性和有序性，而不仅仅是单个组成部分的特性。因此，信息论为理解因果涌现提供了新的视角，帮助我们更好地理解复杂系统中整体与部分之间的关系。例如，在神经科学领域，研究人员利用信息论来分析大脑活动，发现大脑不同区域之间的信息整合程度越高，个体意识水平越高。这表明，意识并非仅仅由大脑单个神经元的活动决定，而是由不同区域之间信息整合的结果。

🧬 **信息整合与生命系统** 信息整合不仅在神经科学领域发挥作用，在生命科学领域也具有重要意义。例如，研究人员利用信息论来分析生物系统，发现生物体不同器官之间的信息整合程度越高，生物体越复杂、越具有适应性。例如，生物体不同器官之间的信息整合程度越高，生物体越复杂、越具有适应性。这表明，生命系统的复杂性和适应性并非仅仅由单个细胞的活动决定，而是由不同器官之间信息整合的结果。信息整合度可以反映系统整体的复杂性和有序性，而不仅仅是单个组成部分的特性。因此，信息论为理解因果涌现提供了新的视角，帮助我们更好地理解复杂系统中整体与部分之间的关系。

🌐 **信息整合与社会系统** 信息整合在社会系统中也起着至关重要的作用。例如，研究人员利用信息论来分析社会网络，发现社会网络中不同节点之间的信息整合程度越高，社会网络越稳定、越具有凝聚力。例如，社会网络中不同节点之间的信息整合程度越高，社会网络越稳定、越具有凝聚力。这表明，社会系统的稳定性和凝聚力并非仅仅由单个个体的行为决定，而是由不同个体之间信息整合的结果。信息整合度可以反映系统整体的复杂性和有序性，而不仅仅是单个组成部分的特性。因此，信息论为理解因果涌现提供了新的视角，帮助我们更好地理解复杂系统中整体与部分之间的关系。

🤖 **信息整合与人工智能** 信息整合也是人工智能领域的重要研究方向。例如，研究人员利用信息论来分析深度神经网络，发现深度神经网络中不同层级之间的信息整合程度越高，深度神经网络越强大、越具有泛化能力。例如，深度神经网络中不同层级之间的信息整合程度越高，深度神经网络越强大、越具有泛化能力。这表明，人工智能系统的性能并非仅仅由单个神经元的活动决定，而是由不同层级之间信息整合的结果。信息整合度可以反映系统整体的复杂性和有序性，而不仅仅是单个组成部分的特性。因此，信息论为理解因果涌现提供了新的视角，帮助我们更好地理解复杂系统中整体与部分之间的关系。

1. Hoel EP, Albantakis L, Tononi G. Quantifying causal emergence shows that macro can beat micro. Proc Natl Acad Sci U S A. 2013 Dec 3;110(49):19790-5. doi: 10.1073/pnas.1314922110. Epub 2013 Nov 18. PMID: 24248356; PMCID: PMC3856819.

2. Tononi, G., Sporns, O. Measuring information integration. BMC Neurosci 4, 31 (2003). https://doi.org/10.1186/1471-2202-4-31

3. Rosas, Fernando E., et al. "Reconciling emergence: An information-theoretic approach to identify causal emergence in multivariate data." PLoS computational biology 16.12 (2020): e1008289.

4. Mediano PAM, Rosas FE, Luppi AI, Jensen HJ, Seth AK, Barrett AB, Carhart-Harris RL, Bor D. 2022 Greater than the parts: a review of the information decomposition approach to causal emergence. Phil. Trans. R. Soc. A 380: 20210246. https://doi.org/10.1098/rsta.2021.024

5. Luppi, A. I., Rosas, F. E., Mediano, P. A. M., Menon, D. K., & Stamatakis, E. A. (2024). Information decomposition and the informational architecture of the brain. Trends in Cognitive Sciences, 28(4), 352–368. https://doi.org/10.1016/j.tics.2023.11.005

6. Luppi, A. I., Rosas, F. E., Mediano, P. A. M., Demertzi, A., Menon, D. K., & Stamatakis, E. A. (2024). Unravelling consciousness and brain function through the lens of time, space, and information. Trends in Neurosciences, 47(7), 551-568. https://doi.org/10.1016/j.tins.2024.05.007

7. Varley, T.F., Pope, M., Faskowitz, J. et al. Multivariate information theory uncovers synergistic subsystems of the human cerebral cortex. Commun Biol 6, 451 (2023). https://doi.org/10.1038/s42003-023-04843-w

8. Varley, T. F., Pope, M., Puxeddu, M. G., Faskowitz, J., & Sporns, O. (2023). Partial entropy decomposition reveals higher-order information structures in human brain activity. Proceedings of the National Academy of Sciences, 120(30), e2300888120. https://doi.org/10.1073/pnas.2300888120

9.. Varley, T. F. (2024). Generalized decomposition of multivariate information. PLOS ONE, 19(2), e0297128. https://doi.org/10.1371/journal.pone.0297128

10. Grasso, M., Albantakis, L., Lang, J.P. et al. Causal reductionism and causal structures. Nat Neurosci 24, 1348–1355 (2021). https://doi.org/10.1038/s41593-021-00911-8

11. Bedau, M. A. (1997). Weak Emergence. Philosophical Perspectives, 11, 375–399. http://www.jstor.org/stable/2216138

12. Varley, T.F. Flickering Emergences: The Question of Locality in Information-Theoretic Approaches to Emergence. Entropy 2023, 25, 54. https://doi.org/10.3390/e25010054

13. Varley, Thomas F., and Erik Hoel. "Emergence as the conversion of information: a unifying theory." Philosophical Transactions of the Royal Society A 380.2227 (2022): 20210150.

14. . P.A.M. Mediano, et al. Towards an extended taxonomy of information dynamics via integrated information decomposition. arXiv (2021). http://doi.org/10.48550/arxiv.2109.13186

15. Luppi, A. I., Mediano, P. A. M., Rosas, F. E., Allanson, J., Pickard, J. D., Carhart-Harris, R., Williams, G. B., Craig, M. M., Finoia, P., Owen, A. M., Naci, L., Menon, D. K., Bor, D., & Stamatakis, E. A. (2024). A synergistic workspace for human consciousness revealed by integrated information decomposition. *eLife, 88173. https://doi.org/10.7554/eLife.88173

16. Bassett DS, Gazzaniga MS. Understanding complexity in the human brain. Trends Cogn Sci. 2011 May;15(5):200-9. doi: 10.1016/j.tics.2011.03.006. Epub 2011 Apr 14. PMID: 21497128; PMCID: PMC3170818.

17. Murphy, K. A., & Bassett, D. S. (2024). Information decomposition in complex systems via machine learning. Proceedings of the National Academy of Sciences, 121(13).https://doi.org/10.1073/pnas.2312988121

18. Seth, A. K. (2008, August). Measuring emergence via nonlinear Granger causality. In alife (Vol. 2008, pp. 545-552).

19. Yuan, B., Zhang, J., Lyu, A., Wu, J., Wang, Z., Yang, M., Liu, K., Mou, M., & Cui, P. (2024). Emergence and Causality in Complex Systems: A Survey of Causal Emergence and Related Quantitative Studies. Entropy, 26(1), 108. https://doi.org/10.3390/e26020108

20. Zhang, Jiang & Liu, Kaiwei. (2022). Neural Information Squeezer for Causal Emergence. Entropy. 2023. 10.3390/e25010026.

21. Yang, Mingzhe, et al. "Finding emergence in data: causal emergence inspired dynamics learning." arXiv preprint arXiv:2308.09952 (2023).

22. Luppi AI, Mediano PAM, Rosas FE, Holland N, Fryer TD, O'Brien JT, Rowe JB, Menon DK, Bor D, Stamatakis EA. A synergistic core for human brain evolution and cognition. Nat Neurosci. 2022 Jun;25(6):771-782. doi: 10.1038/s41593-022-01070-0. Epub 2022 May 26. PMID: 35618951; PMCID: PMC7614771.

23. Paul L. Williams,Randall D. Beer: Nonnegative Decomposition of Multivariate Information ,arXiv:1004.2515,2010

24. Proca, A. M., Rosas, F. E., Luppi, A. I., Bor, D., Crosby, M., & Mediano, P. A. M. (2024). Synergistic information supports modality integration and flexible learning in neural networks solving multiple tasks. PLoS Computational Biology, 20(6), e1012178.https://doi.org/10.1371/journal.pcbi.1012178

25. Huang, Z., Mashour, G. A., & Hudetz, A. G. (2023). Functional geometry of the cortex encodes dimensions of consciousness. Nature Communications, 14, 72.https://doi.org/10.1038/s41467-022-35764-7

26. Luppi, A. I., Vohryzek, J., Kringelbach, M. L., Mediano, P. A. M., Craig, M. M., Adapa, R., ... & Stamatakis, E. A. (2023). Distributed harmonic patterns of structure-function dependence orchestrate human consciousness. Communications Biology, 6, 117.https://doi.org/10.1038/s42003-023-04474-1

27. Seth, A. K., Barrett, A. B., & Barnett, L. (2011). Causal density and integrated information as measures of conscious level. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 369(1942), 3748–3767.https://doi.org/10.1098/rsta.2011.0079

28. Ince, R.A.A. (2017) The partial entropy decomposition: decomposing multivariate entropy and mutual information via pointwise common surprisal. arXiv, Published online February 20, 2017. https://doi.org/10.48550/arXiv.1702.01591

29. Betzel, R. F., & Bassett, D. S. (2017). Multi-scale brain networks. NeuroImage, 160, 73–83.https://doi.org/10.1016/j.neuroimage.2016.11.006

Fish AI Reader

FishAI

联系邮箱 441953276@qq.com

相关标签