本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2026-03-12
摘要
多元資訊理論為理解系統組件如何連結提供了一個通用的原則架構。現有的分析本質上是粗略的——根據離散子系統的特徵構建——並且計算量可能令人望而卻步。在這項工作中，我們建議研究複合系統可能描述的連續空間，作為了解其組織結構的視窗。描述由所傳達的關於每個組件的特定資訊組成，並且可能的描述的空間相當於組件的有損壓縮方案的空間。我們引入了一個機器學習框架來優化描述，這些描述將用於表徵組織的關鍵資訊理論量（例如總相關性和 O 資訊）極端化。透過旋轉系統、數獨板和自然語言字母序列的案例研究，我們識別了揭示各個組件如何出現系統範圍變化的極值描述。透過將機器學習整合到複合隨機變數的細粒度資訊理論分析中，我們的框架為探索現實世界複雜系統的結構開闢了新途徑。