[论文解读] Causal emergence is widespread across measures of causation

Renzo Comolatti, Erik Hoel|arXiv (Cornell University)|Feb 3, 2022

Philosophy and History of Science被引用 11

一句话总结

本文表明，因果涌现——即宏观尺度上的因果关系强于微观尺度——是一种在多种独立开发的因果性度量中广泛存在的现象。通过展示来自统计学、心理学、遗传学等领域的十余种度量均因对因果基本要素导致的噪声减少而表现出因果涌现，本研究确立了因果涌现作为复杂系统科学中一种普遍且可科学检测的特征，而非特定度量的特例。

ABSTRACT

Causal emergence is the theory that macroscales can reduce the noise in causal relationships, leading to stronger causes at the macroscale. First identified using the effective information and later the integrated information in model systems, causal emergence has been analyzed in real data across the sciences since. But is it simply a quirk of these original measures? To answer this question we examined over a dozen popular measures of causation, all independently developed and widely used, and spanning different fields from philosophy to statistics to psychology to genetics. All showed cases of causal emergence. This is because, we prove, measures of causation are based on a small set of related "causal primitives." This consilience of independently-developed measures of causation shows that macroscale causation is a general fact about causal relationships, is scientifically detectable, and is not a quirk of any particular measure of causation. This finding sets the science of emergence on firmer ground, opening the door for the detection of intrinsic scales of function in complex systems, as well as assisting with scientific modeling and experimental interventions.

研究动机与目标

• 确定因果涌现是一种普遍现象，还是仅限于特定因果性度量。
• 研究在不同条件下，广泛使用且独立开发的因果性度量是否表现出因果涌现。
• 识别统一多样化因果性度量的共同基础原理——'因果基本要素'。
• 确立因果涌现作为跨学科中科学上稳健且可检测的现象。
• 为通过最小化噪声的宏观尺度识别复杂系统中的内在功能尺度提供基础。

提出的方法

• 本研究分析了来自不同科学领域、广泛使用且独立开发的十余种因果性度量。
• 将每种度量应用于具有可控不确定性水平（低确定性、高退化）的双分量模型系统。
• 通过比较微观尺度与宏观尺度上的因果值来评估因果涌现。
• 改变干预分布以检验因果涌现在不同反事实假设下的鲁棒性。
• 利用'因果基本要素'（充分性、必要性、确定性、退化性）的概念，统一各类度量的理论基础。
• 提出一种新颖的'局部干预'方法，作为最大熵与最小差异干预策略之间的折中方案。

实验结果

研究问题

• RQ1 因果涌现是否是因果性的一般特征，还是仅限于如有效信息或整合信息等特定度量？
• RQ2 来自不同科学领域的独立开发的因果性度量是否在相同条件下表现出因果涌现？
• RQ3 因果性度量共享的哪些基本属性——'因果基本要素'——使其能够实现因果涌现？
• RQ4 因果涌现对干预分布和模型假设变化的鲁棒性如何？
• RQ5 因果涌现能否被检测为复杂系统中广泛存在且可科学识别的现象？

主要发现

• 所有研究的因果性度量——涵盖统计学、心理学、遗传学和哲学——在存在高不确定性（低确定性、高退化性）时均表现出因果涌现。
• 因果涌现在不同干预分布下均保持稳健，表明其并非特定反事实假设的产物。
• 该现象的根源在于对'因果基本要素'（如确定性和退化性）的共同敏感性，这些要素捕捉了因果关系中的噪声与不确定性。
• 尽管有效信息是因果涌现最初提出的度量，但在所研究的度量中，它在检测因果涌现方面最为保守。
• 在确定性、时间可逆的系统中，因果涌现并非必然发生，但在开放系统或本质上具有不确定性的系统中则很常见，而这类系统在科学建模中具有典型性。
• 多种度量的一致性支持因果涌现作为复杂系统中普遍且可科学检测的特征，而非特定形式化体系的特例。