两种整合信息度量指标的模拟研究

背景：许多作者基于信息论、Granger 因果性和复杂性等理论原理提出了意识定量理论（QTC）。最近，Virmani 和 Nagaraj (arXiv:1608.08450v2 [cs.IT]) 注意到了整合信息与压缩复杂性之间的相似性，并在此基础上提出了一种称为 Phi-压缩复杂性（Phi-C 或 $\Phi^C$）的新型网络复杂性度量指标。他们使用布尔网络的计算机模拟表明，$\Phi^C$ 与 Giulio Tononi 等人提出的整合信息度量指标 $\Phi$ 3.0 相比具有优势，并展现出理想的数学和计算特性。方法：在本工作中，我们对两类模拟网络测量了 $\Phi^C$：(A) 代表简单神经元连接基序的网络（见 Tononi 和 Sporns, BMC Neuroscience 4(1), 2003 的图 9）；(B) 源自 Erd"os-R \'enyi G(N, p) 图的随机网络。所有模拟代码均用 Python 3.6 编写，并使用 NetworkX 库模拟图。结果与讨论摘要：在模拟 A 中，对于同一组网络，$\Phi^C$ 值与 IIT 1.0 $\Phi$ 值以违反直觉的方式存在差异。$\Phi^C$ 似乎捕捉到了信息整合、网络拓扑、图构成和节点熵之间相互作用的一些不变方面。虽然 Virmani 和 Nagaraj (arXiv:1608.08450v2 [cs.IT]) 旨在强调 $\Phi^C$ 与 IIT $\Phi$ 之间的相关性，但模拟 A 的结果突显了这两种度量指标在捕捉整合信息方式上的差异。在模拟 B 中，模拟 A 的结果被扩展到了更一般的随机网络情况。在结论部分，我们概述了本文的新颖之处以及我们正在进行的和未来的研究。