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:

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

特刊关键词

信息几何（information geometry）

特刊主编

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

顶会成果可否投稿？

在计算机科学和相关领域中，顶会是学术界中最有影响力的会议之一，通常接收的论文都是经过严格的审稿和筛选后的高质量研究成果。因此，如果你的工作被顶会所接收，说明该研究成果已经得到了同行专家的认可，并且对该领域的研究有着积极的推动作用。

被本特刊征收的文章，后续集智俱乐部和Entropy的相关媒体会跟进相关的话题并进行宣传和报告。

网站地址：https://www.ce.swarma.org/