Entropy 特刊征稿 | 因果关系与复杂系统

导语

如何从一个复杂系统的原始数据中发现错综复杂的因果结构并识别因果涌现？如何利用因果机制推断系统未来的状态和演化？机器学习、互信息分解、因果推断等新兴技术将为我们提供新的解决方案。由北京师范大学系统科学学院张江教授与清华大学计算机科学学院崔鹏副教授合作在Entropy杂志发起的Causality and Complex Systems特刊正在征稿中，欢迎对相关话题感兴趣的研究者投稿。

主要信息如下：

期刊：Entropy (ISSN 1099-4300)

栏目：复杂性

特刊主题：因果关系与复杂系统（Causality and Complex Systems）

征稿截止日期：2023年4月25日

通过以下链接或文末“阅读原文”进入官网查看更多信息：

https://www.mdpi.com/journal/entropy/special_issues/causality_complex_systems

特刊信息

复杂系统无处不在。系统复杂性的一个原因是，大型系统中不同层次上广泛存在纠缠的因果结构。在复杂系统中，因果关系可能是涌现的，这意味着如果对系统进行适当的粗粒化操作，那么更强的因果关系可能只在宏观层面而不是微观层面观察得到。更进一步，自上而下的因果关系，即系统中的宏观状态变量影响微观状态变量，也可以在活系统或社会系统中观察到。

然而，我们如何从一个复杂系统的原始数据中发现这些错综复杂的因果结构并识别因果涌现，以及如何利用这些因果机制推断系统未来的状态和演化，这些都是重要而又困难的问题。机器学习、互信息分解、因果推断等新兴技术将为我们提供新的解决方案。在本期特刊中，我们将重点关注但不限于以下主题:

因果发现（Causal discovery）

因果推断（Causal inference）

因果涌现（Causal emergence）

自上而下因果（Downward causality）

因果的信息论测量（Information theoretic measure of causality）

信息分解（Information decomposition）

因果表征学习（Causal representation learning）

基于因果的机器学习（Machine learning based on causality）

基于机器学习的重整化（Renormalization based on machine learning）

特刊关键词

因果发现（causal discovery）

因果推断（causal inference）

因果涌现（causal emergence）

自上而下因果（downward causality）

因果表征学习（causal representation learning）

因果强化学习（causal reinforcement learning）

重整化（renormalization）

多尺度分析（multi-scale analysis）

信息分解（information decomposition）

信息几何（information geometry）

特刊主编

张江，北京师范大学系统科学学院教授

研究兴趣：复杂系统，机器学习，因果涌现，规模理论

崔鹏，清华大学计算机科学学院副教授

研究兴趣：人工智能，稳定学习，复杂系统，图神经网络，因果关系，信息论，推荐系统，机器学习，数据挖掘，多媒体，网络嵌入

相关文章

• 因果表征学习最新综述：连接因果科学和机器学习的桥梁
  

复杂科学最新论文

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：

推荐阅读

点击“阅读原文”，查看更多信息