将度量翻译为机制：更高阶信息的认知相关性

更高阶信息论正在计算神经科学中迅速发展，这是受动 multivariate dependencies 能揭示神经计算和通信方面，以及两两分析中看不见的方面之动机。然而，synergy 和 redundancy 的功能解释往往超过了原则性论点，论证统计量如何映射到机制性认知过程。本文综述了主要的更高阶措施家族，明确目标是将数学性质翻译为可为机制推断。首先，我们系统化了基于香农的多变量指标，表明更高阶依赖可以简洁地由两个 largely independent 的轴来特征化：interaction strength 和 redundancy-synergy balance。我们认为，balanced layering 的 synergistic integration 和 redundant broadcasting 可优化 multiscale complexity，形式化一种 computation-communication tradeoff。随后我们检查 partial information decomposition，概述其在神经数据中部署的实用考虑。通过相关数学必需品，我们将 redundancy-synergy balance 联系到认知功能，通过逐步将其数学属性嵌入现实约束来实现，从小合成系统开始，逐步构建到神经成像。我们以识别关键未来方向作为结束：cross-scale bridging、intervention-based validation 以及 thermodynamically grounded unification of information dynamics。