Emergence and Causality in Complex Systems: A Survey on Causal Emergence and Related Quantitative Studies

要約

創発と因果関係は、複雑なシステムを理解するための 2 つの基本概念です。
それらは相互に接続されています。
一方では、創発とは、巨視的な特性が個々の特性の原因にのみ起因すると考えることができない現象を指します。
一方、因果関係は創発性を示す可能性があり、抽象化のレベルを高めると、新しい因果法則が生じる可能性があります。
因果的創発理論は、これら 2 つの概念を橋渡しすることを目的としており、創発を定量化するために因果関係の尺度も使用します。
この論文は、定量的理論と因果的創発の応用における最近の進歩を包括的にレビューします。
因果関係の出現を定量化することと、それをデータ内で特定するという 2 つの重要な問題に対処します。
後者に対処するには、機械学習技術を使用する必要があり、これにより、因果的創発と人工知能との関係が確立されます。
私たちは、因果的創発を特定するために使用されるアーキテクチャが、因果表現学習、因果モデルの抽象化、世界モデルベースの強化学習によって共有されていることを強調しました。
したがって、これらの分野のいずれかにおける進歩は、他の分野にも利益をもたらす可能性があります。
潜在的な用途と将来の展望についても、レビューの最後のセクションで説明します。

要約(オリジナル)

Emergence and causality are two fundamental concepts for understanding complex systems. They are interconnected. On one hand, emergence refers to the phenomenon where macroscopic properties cannot be solely attributed to the cause of individual properties. On the other hand, causality can exhibit emergence, meaning that new causal laws may arise as we increase the level of abstraction. Causal emergence theory aims to bridge these two concepts and even employs measures of causality to quantify emergence. This paper provides a comprehensive review of recent advancements in quantitative theories and applications of causal emergence. Two key problems are addressed: quantifying causal emergence and identifying it in data. Addressing the latter requires the use of machine learning techniques, thus establishing a connection between causal emergence and artificial intelligence. We highlighted that the architectures used for identifying causal emergence are shared by causal representation learning, causal model abstraction, and world model-based reinforcement learning. Consequently, progress in any of these areas can benefit the others. Potential applications and future perspectives are also discussed in the final section of the review.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google