해시넷
이유 불충분의 원리
이유 불충분의 원리는 무관심의 원칙이라고도 불리며, 인식확률을 할당하는 규칙이다. 무관심의 원칙은 관련 증거가 없는 경우 대리인은 고려 중인 가능한 모든 결과에서 자신의 신빙성(또는 '믿음의 정도')을 동등하게 분배해야 한다고 명시한다. 베이지안 확률에서는 이것은 이전의 가장 단순한 비논리적인 것이다. 확률의 빈도해석에서는 이유 불충분의 원리는 무의미하다. 불확실한 명제에 대한 믿음의 정도가 아니라 상대적 빈도인 확률로, 국가 정보를 조건으로 한다.
개요
이유 불충분의 원리는 무관심의 원칙이라고도 불리며, 인식확률을 할당하는 규칙이다. 무관심의 원칙은 관련 증거가 없는 경우 대리인은 고려 중인 가능한 모든 결과에서 자신의 신빙성(또는 '믿음의 정도')을 동등하게 분배해야 한다고 명시한다. 베이지안 확률에서는 이것은 이전의 가장 단순한 비논리적인 것이다. 확률의 빈도해석에서는 이유 불충분의 원리는 무의미하다. 불확실한 명제에 대한 믿음의 정도가 아니라 상대적 빈도인 확률로, 국가 정보를 조건으로 한다.[1]베이시안 인식론은 종종 이성적 작용의 인식 상태를 정밀하게 정량화된 수치 '신념의 법칙' 또는 '신념'의 관점에서 구상해야 하는 핵심 제약조건에 의해 특징지어진다. 합리적인 에이전트의 신빙성은 항상 확률론적이어야 하고, 새로운 증거를 알게 된 이성적 대리인들은 베이시안 조건화를 통해 그들의 신빙성을 갱신해야 한다. 그러나 이러한 규범만으로는 합리적인 에이전트에 대해 보편적으로 적용할 수 있는 인식론적 전략을 정의하기에 충분하지 않다. 이 문제에 대한 가장 잘 알려진 해결책은 이유 불충문의 원리이다.
- 이유 불충문의 원리
- Let X = {x1, x2, ..., xn}은(는) 가능한 월드의 W 설정의 분할 영역이며 상호 배타적이고 공동으로 완전한 가능성을 갖는다. 파티션의 어떤 셀이 참인지와 관련된 관련 증거가 없는 경우, 합리적인 대리인은 각 셀에 1/n의 동등한 초기 신빙성을 부여해야 한다.
이유 불충분의 원리로 무장한 베이시안은 이제 새로운 증거 앞에서 자신의 신빙성을 수정하는 방법뿐만 아니라 모든 증거가 없을 때 어떤 신빙성을 채택해야 하는지에 대해 에이전트에게 지시하는 완전한 합리성 레시피를 접할 수 있다. 그리고 물론, 이유 불충분의 원리는 매우 직관적이고 그럴듯한 원리로서 많은 독립적인 정당성을 가지고 있다.[2]
특징
원리
이유 불충분의 원리는 다른 정보가 없을 때 가능한 결과에 동일한 확률 을 할당하는 규칙이다 . 하나의 가능성이 다른 가능성보다 더 가능성이 높다는 데이터가 없다면 잠재적 결과는 가능한 가장 논리적이고 상호 배타적 인 선택으로 축소되고 나머지 일반 결과는 발생 가능성을 결정하기 위해 단순히 (1 / n)로 나눈다. 이 무관심의 원칙은 빈도보다는 신뢰의 정도를 나타 내기 때문에 빈번한 확률에 사용되지 않는다. 그러나 베이지안 확률에서 ,이 접근법은 다른 주관적인 사전 가정이 무엇인지에 대한 이용 가능한 다른 데이터와 의견이 없을 때 정보가없는 사전 (객관적인 추론)으로 사용되기도한다.[3]
베이지안 확률
동전을 1000회 던졌을 때, 앞면이 나오는 횟수는 대략 500회 로 기대할수있다. 확률 계산은 일어난횟수/전체시도횟수 이다. 이런 확률론을 경험 확률 이라고 한다. 일정한 확률로 반복시행이 충분히 가능한 많은 경우가 이에 해당된다. 그러면, A라는 도시에서 철수라는 아이가 태어났는데 이 아이가 노벨상을 받을 확률은 얼마나 될까? 이 확률을 빈도확률로 이야기 하기 위해서는 이 아이를 여러번 살게 시키고 그중에 몇 번 노벨상을 받았는가를 평가 해야 한다. 또는 이와 동일한 아이가 전세계에 몇명이 있는지 파악하고, 몇명이 커서 노벨상을 받았는가를 평가해야 하는데, 동일한 유전자, 동일한 환경에서 자란 아이란 있을 수 없음으로 불가능 하다 하겠다. 이런경우, 베이지안 확률론으로 이야기 해야 되는데, 이것은 일어나지 않은 일에 대한 확률을 불확실성의 개념으로 이야기 해야 한다. 즉, 이 사건과 관련있는 어려가지 확률을 이용하여 새롭게 일어날수있는 사건에 대한 추정 을 하는것이라 하겠다.
문제점
많은 상황에서 결과를 정확하게 예측하기위한 모델로서 덜 유용하게 만드는 무차별 규칙에는 두 가지 주요 제한 사항이 있다. 첫째, 무관심은 최종 결과를 계산하는 데 사용되는 방법보다는 상호 배타적인 광범위한 결과만을 설명한다. 이“분할 문제는 다변량 분석에서 특히 문제가된다. 하나의 임의 변수가 다른 변수에 미치는 영향을 무시하면 종종 불가능하거나 불가능한 결과를 초래하기 때문이다. 둘째, 진정으로 랜덤하고 독립적인 이항변수를 다룰 때도 무차별 원칙의 대칭가정은 확률을 너무 단순화하여 종종 실제 결과를 예측하지 않고 충돌 가능성을 생성 할 수 있다. 예를 들어, 6면 주사위에서 "6"을 굴릴 확률을 선택하면 모든 빈도수 및 대부분의 베이지안 이전 확률 은 6 개의 가능한 결과를 가정하며 16.66 %의 "6"을 굴릴 확률이 있다. 그러나 이유 불충분의 원리를 사용하는 사전 확률은 문제를 단지 "6"의 구르는 것과 그렇지 않은 것의 두 가지 결과로 단순화할 것이며, 이것은 확률을 50%의 훨씬 덜 정확한 포식률로 만든다.[3]
각주
- ↑ 무관심의 원칙 위키백과 - https://en.wikipedia.org/wiki/Principle_of_indifference
- ↑ Benjamin, Eva,〈무관심의 원칙〉, 《PhilSci》,2019-04-30
- ↑ 3.0 3.1 Principle of Indifference DeepAI - https://deepai.org/machine-learning-glossary-and-terms/principle-of-indifference
참고자료
- 무관심의 원칙 위키백과 - https://en.wikipedia.org/wiki/Principle_of_indifference
- Benjamin, Eva,〈무관심의 원칙〉, 《PhilSci》,2019-04-30
- Principle of Indifference DeepAI - https://deepai.org/machine-learning-glossary-and-terms/principle-of-indifference
