用于因果涌现的神经信息挤压器

关于因果涌现的经典研究表明，在某些马尔可夫动力系统中，如果我们以适当的方式对系统状态进行粗粒化，可以在高层次描述上找到比同一系统的低层次描述强得多的因果联系。然而，从数据中识别这种涌现的因果性仍然是一个尚未解决的难题，因为正确的粗粒化策略不易找到。本文提出一个通用的机器学习框架，称为神经信息挤压器（Neural Information Squeezer），用于自动提取有效的粗粒化策略和宏观状态动力学，并直接从时间序列数据中识别因果涌现。通过将粗粒化操作分解为信息转换和信息丢弃两个过程，我们不仅可以精确控制信息通道的宽度，还能解析地推导出一些重要性质，包括宏观动力学有效信息的精确表达式。我们还展示了该框架如何在几个示例系统上提取不同层次的动力学并从数据中识别因果涌现。