机器学习框架NIS+：通过最大化有效信息识别“因果涌现” | NSR

主要观点总结

本文介绍了北京师范大学系统科学学院的张江课题组提出的一种机器学习框架——强化版神经信息压缩器（NIS+），该框架能够识别复杂系统中的因果涌现现象。通过最大化有效信息（EI），NIS+能够从观测时间序列中提取最优的粗粒化策略，建立宏观动力学预测模型，并判断因果涌现的发生。研究成果已发表于《国家科学评论》。

关键观点总结

关键观点1: 复杂系统中的涌现现象难以被机器学习技术捕捉，制约了预测能力。

介绍了文章背景及研究问题的重要性。

关键观点2: NIS+机器学习框架的提出

张江课题组提出了一种名为NIS+的机器学习框架，结合了样本重加权和反向动力学训练技术，旨在识别复杂系统中的因果涌现现象。

关键观点3: NIS+的工作原理

通过最大化有效信息（EI），NIS+能够从观测时间序列中提取最优的粗粒化策略，并建立宏观动力学预测模型。如果宏观的EI大于微观的EI，则判定系统发生了因果涌现。

关键观点4: NIS+在模拟和真实数据上的验证

研究团队在模拟模型、鸟群模拟模型、生命游戏和真实的大脑fMRI数据上进行了实验验证，证明了NIS+的有效性。

关键观点5: NIS+的优势

NIS+不仅以数据驱动方式构建了复杂系统模型，还在一定程度上避免了观察者效应，并具有更强的分布外泛化预测能力。

免责声明