The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

1. بيان المشكلة

تواجه عملية تقدير الحالة المتكررة توتراً إبستمولوجياً (معرفياً) جوهرياً: كيف نوازن بين الجهل (نقص المعرفة) واليقين (تأكيد حالات محددة).

• مبدأ جايينز (Jaynesian Principle): عندما تكون المعلومات مفقودة، يجب افتراض أقصى قدر من الإنتروبيا (الاعتلاج) بما يتوافق مع القيود المعروفة (نشر توزيع الاحتمالات).
• مبدأ بوبر (Popperian Principle): عندما تصل الأدلة، يجب استبعاد الفرضيات التي يتم دحضها بواسطة البيانات (قطع التوزيع).

تعتمد المرشحات الموجودة (مثل مرشح كالمان أو مرشحات الجسيمات) غالباً على نماذج احتمالية سابقة (priors) أو نماذج ضوضاء عشوائية. يجادل البحث بأنه عندما تكون المعلومات السابقة غير موثوقة أو غير متوفرة، فإن الاعتماد عليها قد يؤدي إلى انحياز "السباق نحو القاع"، حيث يراكم المرشح الأخطاء السابقة بدلاً من تصحيحها. المشكلة تكمن في تعريف مرشح يكون مقبولاً إبستمولوجياً (يعتمد فقط على الأدلة والقيود المحدودة) ويكون مثالياً رياضياً في تقليل الجهل المتبقي دون افتراض توزيع احتمالي محدد.

2. المنهجية: مرشح نقاط الدعم الإبستمولوجي (ESPF)

إن الـ ESPF هو مُقدِّر متكرر مصمم لدمج مبدأي جايينز وبوبر في استراتيجية مثالية واحدة. يعمل المرشح على مجموعة منتهية من نقاط الدعم (support points) التي تمثل فضاء الحالة.

الآليات الجوهرية

يعمل المرشح عبر مرحلتين متمايزتين في كل خطوة زمنية:

1. مرحلة الانتشار (الجانب الجاينزي - Propagation Phase): يتم توسيع توزيع الدعم على أوسع نطاق تسمح به ديناميكيات النظام وضوضاء العملية. يفترض هذا أقصى درجات الجهل المتوافقة مع القيود المعروفة.
2. مرحلة تحديث القياس (الجانب البوبري - Measurement Update Phase): يقوم المرشح باستبعاد الفرضيات غير المتوافقة مع الأدلة الجديدة.
   • قاعدة الاختيار: يختار الناجين بناءً فقط على التوافق مع الأدلة (الابتكارات المربعة البيضاء، $q_k^{(i)}$)، متجاهلاً قيم الاحتمالية السابقة.
   • قاعدة التعيين: يقوم بتعيين قيم احتمالية للناجين بناءً على توافقهم مع الأدلة ($\text{Comp}_k^{(i)} = e^{-q_k^{(i)}/2}$)، مما يخلق توزيعاً غير منتظم حيث تمتلك الفرضية الأكثر توافقاً مع الأدلة قيمة احتمالية تساوي 1.

معيار الأمثلية: الحد الأدنى من الإنتروبيا الاحتمالية (Minimax Possibilistic Entropy)

يعرف البحث المرشح الأمثل بأنه الذي يقلل من الإنتروبيا الاحتمالية ($H_\pi$)، والمعرفة بـ تكامل حجم الـ $\alpha$-cut عبر الفترة $(0, 1]$.
$$H_\pi = \int_0^1 \log V_\alpha \, d\alpha$$
هذا التابع ينقسم إلى حدين:

1. حد المينيمكس (إنتروبيا الدعم): مرتبط بـ $\log \det(\text{MVEE})$، وهو يمثل حجم أقصى $\alpha$-cut (أسوأ حالات الجهل).
2. حد التدرج (Gradient Term): يمثل "نسيج" الجهل داخل الدعم. التوزيع المسطح له إنتروبيا تدرج عالية؛ بينما التوزيع المركز له إنتروبيا تدرج منخفضة.

يقوم الـ ESPF بتقليل كليهما في آن واحد: فهو يختار مجموعة الفرضيات التي تقلل من حجم الإهليلج المحيط ذو الحجم الأدنى (MVEE) ويعين الاحتمالات لتركيز الكتلة على الناجين الأكثر توافقاً.

3. المساهمات الرئيسية

أ. الإطار النظري

• القبول الإبستمولوجي: يعرّف البحث فئة من المرشحات ($\mathcal{F}$) تعتمد فقط على الأدلة في عملية الاختيار، وتمنع استخدام الاحتمالات السابقة في ترتيب الناجين.
• حد كرامر-راو الاحتمالي (PCRB): يستنتج المؤلفون حداً أدنى لكيفية تقليل أي مرشح مقبول للإنتروبيا الاحتمالية في كل خطوة قياس. يعتمد هذا الحد على المحتوى المعلوماتي الاحتمالي ($I_k$) للأدلة.
• مبرهنة الأمثلية: يثبت البحث أن الـ ESPF هو المرشح الوحيد في الفئة $\mathcal{F}$ الذي يحقق الـ PCRB بالتساوي في "نظام الدحض". ويثبت أن أي قاعدة تتضمن الاحتمالية السابقة هي دون المستوى الأمثل بشكل صارم وتخاطر بحدوث انحياز منهجي.

ب. هيكل الأنظمة (Regime Structure)

يعمل المرشح في نظامين، يتم تحديدهما من خلال إشارة $\log \det(\text{MVEE})$:

1. نظام الدحض (Falsification Regime) ($\log \det < 0$): يكون حجم الدعم أصغر من الكرة الوحدة. يهيمن المبدأ البوبري هنا؛ حيث يقوم المرشح بتقليم الفرضيات بقوة لتقليل أسوأ حالات الجهل.
2. نظام الانتشار (Diffusion Regime) ($\log \det \ge 0$): انتشر الدعم بسبب ضوضاء العملية. يهيمن المبدأ الجاينزي هنا؛ حيث يقوم المرشح بتوسيع الدعم للحفاظ على التغطية، ويكون معيار المينيمكس غير نشط.

ج. تعميم مرشح كالمان

يوضح البحث أنه في الحد الغاوسي (Gaussian limit)، يستعيد الـ ESPF مرشح كالمان. تقليل $H_\pi$ يصبح مكافئاً لتقليل محدد مصفوفة التباين ($\det \Sigma$). وبالتالي، فإن الـ ESPF هو تعميم صارم لمرشح كالمان يظل صالحاً عندما تفشل الافتراضات الغوسية.

4. النتائج والتحقق

التحقق العددي

تحقق المؤلفون من النظرية باستخدام محاكاة تتبع مداري (LEO) لمدة يومين و877 خطوة مع $M=10^6$ من نقاط الدعم (Smolyak Level 3).

• الحالة الاسمية: عمل المرشح بالكامل في نظام الانتشار (الجانب الجاينزي)، مع إنتروبيا مستقرة وأعداد تقليم مستقرة، مما أكد النظرية لتتبع جيد التكييف.
• حالة الإجهاد: تم إدخال سيناريو يتضمن مناورة عرضية قدرها 10 م/ث وانحياز في المدى قدره 20 م.
  • مؤشر النظام: من المثير للدهشة أن $\log \det(\text{MVEE})$ ظل موجباً (نظام الانتشار) حتى تحت الإجهاد. لم ينتقل المرشح إلى نظام الدخل، لأن النقاط الناجية كانت لا تزال تغطي حجماً كبيراً.
  • مؤشرات الإنذار المبكر: كشف مراقب العرض الإبستمولوجي (EWM) أن الضرورة (مدى "ضرورة" فرضية معينة لتفسير البيانات) والمفاجأة (Surprisal) تصاعدا بشكل دراماتيكي (أعلى بعدة مراتب من الحالة الاسمية). عملت هذه المقاييس كعلامات إنذار مبكر حساسة لتناقض النموذج مع الواقع، بينما قد يشير مؤشر نظام الـ MVEE وحده خطأً إلى أن "كل شيء على ما يرام".

النتائج التشخيصية

• سلوك التقليم: تحت الإجهاد، قام المرشح بتقليم 38-80% من نقاط الدعم بقوة في كل خطوة للحفاظ على الاتساق، مما أظهر آلية "التقليم البوبري" حتى داخل نظام الانتشار.
• التحقق من الادعاء: عبر 52 خطوة، نجحت قاعدة اختيار الحد الأدنى لـ $q$ في الـ ESPF باستمرار في تقليل الإنتروبيا الاحتمالية (الادعاء ب) مقارنة باستراتيجيات الاختيار العشوائي أو العدائية، مما يؤكد اللمة (Lemma) 3.

5. الأهمية

• الصرامة الإبستمولوجية: يقدم البحث برهاناً رياضياً على أن "سرعة احتضان الجهل والبطء في تأكيد اليقين" ليست مجرد حدس، بل هي مبرهنة للتقدير المتكرر الأمثل تحت عدم اليقين المحدود.
• المتانة تجاه عدم تطابق النموذج: بخلاف المرشحات البايزية التي يمكن تضليلها بواسطة الاحتمالات السابقة الخاطئة، فإن قاعدة اختيار الأدلة فقط في الـ ESPF تمنع تراكم الأخطاء، مما يجعله قوياً جداً ضد عدم تطابق النماذج وانحياز المستشعرات.
• أدوات تشخيصية جديدة: يوفر تقديم مراقب العرض الإبستمولوجي (EWM) والتمييز بين أنظمة "الدحض" و"الانتشار" طريقة جديدة لمراقبة صحة المرشح. فهو يسلط الضوء على أن المقاييس القائمة على الحجم (مثل MVEE) قد تغفل عن الإجهاد؛ بدلاً من ذلك، فإن تشبع الضرورة وتصاعد المفاجأة هما المؤشران الحقيقيان للضيق الإبستمولوجي.
• قابلية التطبيق الواسعة: يمتد الإطار إلى ما وراء تقدير الحالة ليشمل أي نظام يدير القابلية المتدرجة، مثل الرسوم البيانية للمعرفة (Knowledge Graphs)، والتحكم القوي، وأنظمة الذكاء الاصطنا Agental، مما يوفر قاعدة عالمية لتحديث المعتقدات تحت ظروف عدم اليقين.