博文

因果涌现普遍存在于各种因果关系测量中

已有 2145 次阅读 2023-2-23 14:05 |个人分类:科普|系统分类:科普集锦

因果涌现普遍存在于各种因果关系测量中

因果涌现理论认为：宏观尺度可以减少因果关系中的噪声，从而在宏观尺度上产生更强的因果。首先是使用有效信息，后来是模型系统中的集成信息，从那时起，因果涌现就在各个科学领域的真实数据中进行了分析。但这仅仅是这些原始措施的一个怪癖吗?为了回答这个问题，研究者研究了十多种流行的因果关系测量方法，这些方法都是独立开发并广泛使用的，涵盖了从哲学到统计学，从心理学到遗传学等不同领域。所有这些都显示了因果涌现的情况。这是因为，研究者证明，因果关系的衡量是基于一小部分相关的“因果原语”(图 1)。独立开发的因果关系测量方法的一致性表明，宏观因果关系是因果关系的普遍事实，是科学可检测的，而不是任何特定因果关系测量方法的怪癖。这一发现为涌现科学奠定了坚实的基础，为检测复杂系统中功能的内在尺度打开了大门，并有助于科学建模和实验干预。

图1因果原语和因果测量

虽然因果关系在历史上一直是哲学辩论的主题，但过去几十年的研究表明，形而上学的推测可以被数学形式主义所取代。事实上，因果关系在没有形而上学承诺的科学中被普遍引用，因果关系的数学处理来自不同的科学领域，如心理学和统计学。例如，在神经科学中，人们使用了许多因果关系的措施来跟踪实验干预的结果。然而，由于对因果关系的测量方法过多，人们可能会说，就什么算作原因或不是原因而言，存在主观性，因为特定的科学家可能更喜欢一种测量方法而不是另一种。

在这里，研究者提供了一种绕过这个问题的方法，通过展示流行的因果关系测量方法在数学上是相关的，在许多条件下表现非常相似，并且对相同的基本属性非常敏感。事实上，研究的所有测量结果都是基于称之为“因果原语”的一小部分。通过展示十几种因果关系的测量方法是如何基于相同“因果原语”的，研究者揭示了在构成强或弱原因(或更一般地说，强或弱因果关系)的方面存在广泛的一致性。这项研究消除了对研究人员必须普遍同意的因果关系的单一测量的需要，而是揭示了一个具有显著重叠的可行测量范围(很像复杂系统科学中“复杂性”的定义)。通过关注一系列被广泛接受和密切相关的度量之间的一致性，可以继续理解其他因果现象。

其中一个重要的现象是因果涌现，即因果关系在宏观尺度上更强。虽然一开始是违反直觉的，但因果涌现是基于这样一个事实:宏观尺度可以导致因果关系中的噪声减少。广义上讲，这种噪音就是不确定性的同义词，不确定性可能来自不同的来源，而宏观模型可以减少或最小化这种误差。在这种情况下，普遍的减少是行不通的，因为这样的减少会“留下一些因果关系”，即使宏观尺度超越了其潜在的微观尺度。请注意，关于涌现的说法并不是形而上学的推测。它们有真实的后果。例如，紧急宏观尺度模型对于干预和理解系统更有用;因果涌现可以揭示不透明的非工程系统中功能的内在尺度，在这些系统中，兴趣的尺度是未知的，如基因调节网络;它也可以用来寻找有向图的分区，在生物网络和技术网络中更常见;它揭示了细胞自动机规则的新分组; 使用人工神经网络，因果涌现已被用于识别时间序列数据中的宏观状态;甚至有一些证据表明，进化选择了因果涌现，这可能是因为因果涌现的宏观尺度已经被证明对击倒和攻击更强大。这些问题在整个科学领域都是相关的，例如，关于大脑功能中最重要的尺度多少基本问题，只有科学的涌现理论才能解决;的确，因果涌现可以解释大脑中意识的时空尺度。

然而，因果涌现的证据以前仅限于一小部分衡量标准:首先是有效信息，然后是综合信息。这两种方法都基于信息论，旨在捕捉因果关系的微妙不同方面。然而，它们在数学上是相关的，涉及相似的背景假设。正因为如此，一些人批评了测量的结果，指出了干预是如何执行的(例如，也许有效信息需要最大熵干预分布，这意味着它在某种程度上是无效的或假设的)，以及有效信息的一般意义(例如，也许它在某种程度上只是捕捉了“解释性”因果关系，而不是真正的因果关系)。与此同时，综合信息被批评为许多可能的措施之一，并且从其公理中得不到证实。虽然对信息理论因果关系描述的这些具体批评存在反对意见，但有一个合理的问题是，因果涌现是一种普遍现象，还是这些措施和背景假设的一些非常奇特的怪招，因为这将极大地限制其相关性。

已经有一些理由认为因果涌现确实是一个更广泛的现象。例如，最近的证据表明，在宏观尺度上，互信息的协同和唯一信息成分可能更大(而冗余信息成分更低)，并且还有其他基于因果涌现的部分信息分解方法。

在这里，研究者为因果涌现作为一种现象的广泛普遍性提供了证据。研究者表明，在来自不同领域的十几个流行的因果关系历史度量中，因果涌现在许多不同的条件和如何应用度量的假设下普遍成立。也就是说，突发宏观因果关系的实例可以被大多数独立的因果关系测量方法检测到——至少是考虑过的所有这些方法。因果涌现之所以具有广泛的性质，是因为大多数对因果关系的衡量都是基于一小部分“因果原语”:具体地说，充分性和必要性，以及它们分别对决定论和简并性的概括。所有这些因果原语都可以在宏观尺度上得到改进。因此，所有的测量也证明了因果涌现(事实上，发现有效信息是分析的最保守的测量)。尽管宏观尺度只是微观尺度的降维。因此，虽然两个尺度可能都是对系统的有效描述，但其中一个尺度可能具有更强的因果关系(对其的解释，无论是作为更多的因果工作、信息还是解释，都取决于因果关系本身的度量)。然而因果涌现也不是普遍存在的。它是系统相关的:在许多情况下，特别是在微观系统动力学中没有任何不确定性的情况下，因果还原占主导地位。

本次介绍的因果涌现文章中，作者们在第2节中，定义了因果原语以及将在整个过程中使用的因果的正式语言。在第3节中，概述了12个独立提出的因果关系测量方法。在第4节中，将使用简单的二分马尔可夫链模型，重点介绍度量的行为是如何基于因果原语的。在第5节中，使用二分模型直接比较了所有因果测量的宏观尺度和微观尺度，并在所有测量中找到了因果涌现的广泛证据。在讨论中，概述了所揭示的因果关系的一致性如何为客观理解因果关系提供模板，并讨论了涌现的科学子领域的开端。下面重点说一下本文献的讨论部分。

因果涌现是指在系统的宏观尺度和微观尺度上，通过具有更多的因果强度、力量、信息量、预见性或因果作用(取决于因果测量的细节)，对因果关系的测量返回更高的值。这是可能的，因为宏观尺度可以提供噪声最小化的优势。也就是说，涌现尺度是指那些在潜在的微观因果关系上执行错误修正的尺度。事实上，已经证明，因果涌现在不同领域具有独立起源的流行因果测量中广泛存在。这是因为所有这些指标都对不确定性(对未来的不确定性)和简并性(对过去的不确定性)形式的噪声敏感。将这些术语以及它们的充分性和必要性的简单形式称为“因果原语”，因为度量要么对它们敏感，要么甚至直接由它们构建。值得注意的是，在检查的十多个独立的因果关系测量中，所有的都证明了在状态转换的高度不确定性条件下(低决定论，高简并性)，二分模型系统中的因果涌现。对于如何应用这些措施的许多可能的假设，这是正确的，并显示了这种涌现理论的稳健性。

这里检验测量的一致性为先前的研究提供了基础，这些研究已经使用更复杂的信息论因果关系测量，如有效信息，综合信息，以及最近的协同信息，证明了因果关系的涌现。有趣的是，尽管有效信息是用于捕捉因果涌现的原始测量，但在样本中却是最保守的。

这项调查的一个有趣发现是因果关系测量本身的相似性和一致性。从广义上讲，发现因果关系本身并不是一个原始概念，而是可以沿着两个维度进行分解(这一发现与之前一致)。在哲学文献中，这两个维度被称为充分性和必要性，这些分别是决定论和简并的具体例子。成功的因果关系测量对这两个维度都很敏感。事实上，正是对这些术语的敏感性，以及它们所捕捉到的不确定性，保证了这些因果涌现的可能性。

值得注意的是，因果关系的衡量标准需要一个可能性的空间或反事实被指定，以便应用的衡量标准。在这里，使用干预分布在数学上表示这种选择。最终发现因果涌现在干预分布的选择中是相对不变的，这表明它是一个稳健的现象。而干预分布的选择在大多数测度中并不会产生影响关于因果关系出现的可能性。因此租者们提倡 “局部干预”概念，因为它是因果关系数学测量的一个进步，因为它提供了最大熵方法(考虑所有可能性)和最小差异方法(只考虑最接近的可能性)之间的妥协。

尽管它在各种测量方法和背景条件下无处不在，但涌现本身的存在并不是微不足道的保证。相反，它是系统架构或动态的一个功能。在确定性和时间可逆系统力学的动态领域，因果约简占主导地位。然而，在科学模型中，这些条件是相当罕见的，因为科学主要是研究暴露在外部不确定性中的开放系统，或者是具有内在不确定性的系统。在动态迭代之后，即使是具有不可减少的少量噪声的系统也可能将噪声放大为显著的不确定性。因此，预计因果涌现在科学的许多尺度和模型中都是普遍的。

复杂系统科学的发展是基于对复杂性如何通过简单规则的迭代而产生的新颖见解;不仅如此，它是基于一系列的复杂性度量。涌现科学的发展应该建立在因果关系(由因果关系测量系列捕获)和宏观尺度的噪声最小化特性的基础上。最终，这项工作有必要提供了一个工具包，用于科学地识别突发性的功能尺度，以及最佳的建模选择、干预和解释。

因果涌现的概念和证明非常有意思，感兴趣可以进一步阅读文献[1]。另外，也可以借助R工具包einet（https://cran.r-project.org/package=einet）进行有效信息和因果涌现应用。

参考文献

[1] Comolatti R, Hoel E. Causal emergence is widespread across measures of causation. arXiv preprint arXiv:2202.01854. 2022 Feb 3. https://doi.org/10.48550/arXiv.2202.01854

以往推荐如下：

6. 因果学习工具：Causal Explorer和Causal Learner

7. 小样本学习

8. 样本异质性定量化

9. 生物标志物定义及其应用

10. 分子生物标志物数据库MarkerDB

11. 细胞标志物数据库CellMarker 2.0