【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bevictor伟德官网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，bevictor伟德官网教授

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

供稿：张江

编辑：郝林青

审核：王大辉