机器学习技术难以捕捉复杂系统中的涌现现象(比如鸟群的集群行为、生命游戏中出现的复杂模式等),这阻碍了对复杂系统演化的预测。
近日,北京师范大学系统科学学院张江课题组提出了一套可以识别“因果涌现”的机器学习框架——强化版神经信息压缩器(Neural Information Squeezer Plus, NIS+)。该框架结合样本重加权和反向动力学训练两项技术,可以通过有效信息(Effective Information,简称EI)最大化,实现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,并判断是否发生因果涌现。相关研究成果以“Finding emergence in data by maximizing effective information”为题发表于《国家科学评论》(National Science Review,NSR)。
NIS+框架图
经典因果涌现理论中的“观察者效应”
因果涌现在2013年被正式提出,是一套定量刻画涌现现象的理论框架。对于一个系统不同的观察者来说,他们可能在微观或宏观两种不同的尺度来观察、刻画同一个系统,从而分别得到微观动力学和宏观动力学,其中后者是前者的一种粗粒化的近似。同时,这些动力学可能具备不同的因果效应强度,这一强度可以用定量指标:有效信息(EI)来刻画。如果宏观的EI大于微观的EI,则我们可以判定该系统发生了因果涌现。下图左展示了因果涌现的概念框架,右展示了在一个马尔可夫链上发生因果涌现的例子。
因果涌现理论示意图
然而,经典因果涌现理论需要事先指定从微观到宏观的粗粒化方式,不同的粗粒化方案就会导致完全不同的因果涌现结果,这便体现了一种“观察者效应”。
NIS+的做法
不同于经典方法,NIS+通过最大化有效信息,优化一个机器观察者,从而能够找到最优的粗粒化方法和宏观动力学,还能够匹配微观观测数据。这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。研究团队分别在模拟和真实数据上对NIS+进行了验证。
在模拟模型上的验证
Boid是一个经典的鸟群模拟模型,它通过个体之间的局部相互作用,在宏观涌现出集群运动模式。团队发现,利用大量Boid生成的数据训练NIS+模型,就能让它找到有效信息最大的粗粒化策略和宏观动力学,从而很好地捕捉鸟群质心的运动变化规律。
最大化有效信息还能提升NIS+的分布外泛化能力。研究团队将NIS+与没有最大化EI的模型进行对比,发现NIS+能够在训练数据区域外更大的范围内进行更精确的预测。
鸟群实验结果
研究团队还在元胞自动机类复杂系统:生命游戏的生成数据上进行了实验。为了捕获宏观尺度的集体运动模式,团队采取了时空粗粒化扩展NIS+模型。通过对比传统模型,NIS+在不同数据集上都有更高的预测准确性。
生命游戏实验结果
在真实数据上的验证
研究团队还在真实的fMRI数据上进行了实验验证。数据来自830个被试,记录了他们分别在看视频时和静息状态下的大脑fMRI时间序列。
在观看视频的数据中,NIS+经过训练便可以提炼出一个一维的宏观动力学来概括描述100维的fMRI时间序列,从而实现EI最大化,并发现了明确的因果涌现。使用积分梯度法,NIS+还可以提炼出与这一维宏观动力学最相关的微观维度,结果发现大脑视觉区对宏观动力学贡献占比最高。
与其对比,在静息态下,NIS+必须使用3到7个维度来概况被试的fMRI数据,并且因果涌现特性减弱。
大脑fMRI实验结果
综上所述,研究团队开发出了NIS+机器学习框架,对复杂系统进行数据驱动的多尺度建模。在理论上,它可以最大化宏观动力学有效信息,识别出因果涌现;在实验上,它具有更强的分布外泛化预测能力。
了解详情,请阅读原文
[点击下方链接或阅读原文] ▼
Finding emergence in data by maximizing effective information
https://doi.org/10.1093/nsr/nwae279