[论文解读] Finding Continuity and Discontinuity in Fish Schools via Integrated Information Theory

Takayuki Niizato, Kotaro Sakamoto+4 more|arXiv (Cornell University)|Dec 3, 2018

Complex Network Analysis Techniques被引用 4

一句话总结

本研究通过 PyPhi 应用整合信息理论（IIT 3.0）分析真鱼群（Plecoglossus altivelis）的集体行为，揭示群体规模导致系统层面整合性的不连续跃迁。研究发现，仅当鱼群数量达到四只或以上时，领导力才会出现，这一转变在互信息或 Boids 模型中均未被检测到，表明 Φ 是小规模集体系统内在因果结构的敏感度量。

ABSTRACT

Collective behaviour is known to be the result of diverse dynamics and is sometimes likened to a living system. Although many studies have revealed the dynamics of various collective behaviours, their main focus was on the information process inside the collective, not on the whole system itself. For example, the qualitative difference between two elements and three elements as a system has rarely been investigated. Tononi et al. have proposed Integrated Information Theory (IIT) to measure the degree of consciousness $Φ$. IIT postulates that the amount of information loss caused by certain partitions is equivalent to the degree of information integration in the system. This measure is not only useful for estimating the degree of consciousness but can also be applied to more general network systems. Here we applied IIT (in particular, IIT 3.0 using PyPhi) to analyse real fish schools ({\it Plecoglossus altivelis}). Our hypothesis in this study is a very simple one: a living system evolves to raise its $Φ$ value. If we accept this hypothesis, IIT reveals the existence of continuous and discontinuous properties as group size varies. For example, leadership in the fish school emerged for a school size of four or above; but not below three. Furthermore, this transition was not observed by measuring mutual information or in a simple Boids model. This result suggests that integrated information $Φ$ can reveal some inherent properties which cannot be observed using other measures. We also discuss how the fish recognition of the figure-ground relation, that is, what determines the relevant ON and OFF states, may reveal various optimal paths for obtaining the functional evolution of collective behaviour.

研究动机与目标

• 探究集成信息 Φ 是否能检测群体规模增加时集体行为的定性变化。
• 检验生命系统演化以最大化 Φ 的假设，暗示功能整合与类意识特性之间存在关联。
• 识别传统度量（如互信息）无法察觉的鱼群中系统层面的转变（连续性与不连续性）。
• 探讨个体的图形-背景感知（ON/OFF 状态）是否可引导集体行为的最优进化路径。
• 证明 IIT 能够提供超越成对相关性或信息传递度量的因果结构分析。

提出的方法

• 使用 PyPhi 库应用 IIT 3.0，计算 Plecoglossus altivelis 群体实时轨迹的集成信息 Φ。
• 针对每种群体规模下所有可能的机制（个体子集）计算原因与结果谱系，基于过去与未来状态的条件概率分布。
• 将 φ 定义为原因与结果不可约性的最小值，采用最小信息分割（MIP）量化每个机制的不可约性。
• 通过概念空间中的地球移动者距离（EMD）计算系统层面的 Φ，即全原因-结果结构（CES）与 MIP 下系统 CES 的差异。
• 计算群体规模从 2 到 8 只鱼时 Φ 的变化，与互信息及 Boids 模型结果进行比较。
• 采用“剪除一个”近似方法降低计算成本，仅评估每个系统中的 2N 个二分划。

实验结果

研究问题

• RQ1 集成信息 Φ 是否能检测到标准信息理论度量所遗漏的集体行为不连续跃迁？
• RQ2 鱼群中领导力在何种群体规模下出现，且该转变是否在 Φ 中体现？
• RQ3 Φ 与互信息及 Boids 模型动力学相比，在捕捉群体涌现特性方面表现如何？
• RQ4 个体的图形-背景感知（ON/OFF 状态）是否可与集体系统中功能整合的优化相联系？
• RQ5 鱼群中是否存在反映内在不可约整合性的因果结构，如 Φ 所量化的那样？

主要发现

• 领导力仅在鱼群规模为四只或以上时出现，这是一种在较小群体中未观察到的不连续跃迁。
• 该跃迁无法通过互信息或标准 Boids 模型检测到，表明 Φ 捕捉了独特的系统层面特性。
• Φ 值随群体规模增加而上升，呈现出非单调模式，在 N=4 时出现急剧上升，暗示整合性发生质变。
• MIP 分析显示，系统因果结构在 N≥4 时变为不可约，表明集成信息真正涌现。
• 图形-背景识别（ON/OFF 状态）可能通过塑造系统的因果架构，引导集体路径的最优进化。
• 通过 PyPhi 应用 IIT 3.0 有效识别了真实动物群体中的内在因果约束，证明其在神经科学应用之外的实用性。