A categorical formalization of epistemic uncertainty frameworks

Diese Arbeit führt eine allgemeine kategorielle Definition epistemischer Kalküle ein, um Widersprüche und Synergien zwischen verschiedenen epistemologischen Konzepten zu modellieren, und entwickelt einen angereicherten kategoriellen Prozess zur Änderung von Kalkülen, der zeigt, dass sowohl das Bayessche Updating als auch die possibilistische Konditionierung als Spezialfälle auftreten.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Detektiv in einer riesigen, nebligen Stadt. Ihr Job ist es, Beweise zu sammeln, um herauszufinden, was wirklich passiert ist. Aber hier ist das Problem: Sie haben nie alle Informationen. Manchmal ist der Nebel so dicht, dass Sie gar nichts sehen können (vollständige Unsicherheit), manchmal sehen Sie nur ein paar verschwommene Umrisse (teilweise Unsicherheit).

Dieses Papier von Torgeir Aambø ist im Grunde ein neues Regelbuch für Detektive, das erklärt, wie man mit diesem „Nebel der Unwissenheit" (epistemische Unsicherheit) umgeht. Statt sich auf eine einzige Methode zu verlassen, baut der Autor eine Art „universelle Werkstatt", in der verschiedene Denkweisen über Unsicherheit verglichen und kombiniert werden können.

Hier ist die einfache Erklärung, aufgeteilt in drei Teile:

1. Die Werkstatt der Unsicherheit (Die „Rechenmaschinen")

Bisher haben verschiedene Philosophen und Mathematiker ihre eigenen Werkzeuge entwickelt, um Unsicherheit zu messen.

• Der Wahrscheinlichkeits-Typ: „Ich bin zu 70 % sicher." (Klassische Statistik).
• Der Möglichkeits-Typ: „Es ist möglich, aber nicht sicher." (Fuzzy-Logik).
• Der Glaubens-Typ: „Ich glaube daran, aber ich bin mir nicht sicher." (Certainty Factors).

Der Autor sagt: „Halt! Warum bauen wir alle separate Werkzeuge? Lassen Sie uns eine universelle Werkstatt bauen."

Er nennt diese Werkstatt „epistemische Kalküle". Stellen Sie sich das wie verschiedene Arten von Rechenmaschinen vor. Jede Maschine hat ihre eigenen Knöpfe und Regeln, wie man Zahlen (Unsicherheiten) addiert oder kombiniert.

• Wenn Sie zwei Beweise haben, wie kombiniert man sie? Bei der einen Maschine addieren Sie sie einfach. Bei der anderen nehmen Sie das Minimum. Bei einer dritten machen Sie etwas mit Hyperbelfunktionen (wie bei der Relativitätstheorie im Physikunterricht).

Der Autor zeigt, dass all diese Maschinen im Grunde die gleiche Struktur haben, nur dass sie unterschiedlich „verstimmt" sind. Er definiert Regeln, wie diese Maschinen funktionieren müssen, damit sie logisch sinnvoll sind.

2. Der philosophische Streit (Die „Regel-Checkliste")

In dieser Werkstatt gibt es verschiedene philosophische Meinungen darüber, wie ein Detektiv denken sollte. Der Autor hat eine Checkliste erstellt, um zu sehen, welche Maschinen welche Einstellungen haben:

• Der Optimist vs. der Skeptiker:
  • Optimist: „Gibt es eine absolute Wahrheit, die wir erreichen können?" (Ja, es gibt ein „Top"-Element).
  • Skeptiker: „Nein, wir können nie 100 % sicher sein." (Es gibt kein „Top"-Element).
• Der Konservator (Der „Echokammer"-Effekt):
  • Diese Einstellung sagt: „Wenn ich etwas glaube, kann ich durch neue Beweise niemals weniger glauben." Das ist wie eine Echokammer, in der man nur Bestätigung sucht. Der Autor zeigt mathematisch, dass man nicht gleichzeitig ein perfekter Konservator, ein perfekter Logiker und ein perfekter Skeptiker sein kann. Es gibt einen „No-Go"-Bereich: Man muss Kompromisse eingehen.
• Der Fehlbare (Fallibilist):
  • „Ich kann mich immer irren." Diese Einstellung erlaubt es, alte Überzeugungen komplett zu ändern, wenn neue Beweise kommen.

Das Spannende ist: Der Autor beweist, dass bestimmte philosophische Haltungen mathematisch unvereinbar sind. Wenn Sie also eine bestimmte Art von Rechenmaschine bauen, können Sie nicht alle philosophischen Wünsche gleichzeitig erfüllen. Sie müssen sich entscheiden, welche Art von Unsicherheit Sie modellieren wollen.

3. Die Übersetzer und das Aktualisieren (Wie man die Maschine wechselt)

Oft passiert es, dass ein Detektiv merkt: „Meine aktuelle Rechenmaschine passt nicht mehr zu den neuen Beweisen." Vielleicht muss er von einer „Möglichkeits-Maschine" auf eine „Wahrscheinlichkeits-Maschine" umsteigen.

• Die Übersetzer (Kategorientheorie): Der Autor entwickelt eine Art „Übersetzer-App". Diese App kann Daten von einer Maschine in eine andere übertragen, ohne dass die eigentliche Bedeutung (die Semantik) verloren geht. Es ist, als würde man eine Geschichte von Deutsch nach Englisch übersetzen: Die Wörter ändern sich, aber die Handlung bleibt gleich.

  • Er zeigt sogar, dass zwei völlig unterschiedlich aussehende Maschinen (eine mit „zweipoligen" Werten und eine mit „Intervall-Wahrscheinlichkeiten") im Grunde identisch sind, wenn man sie durch den richtigen Übersetzer schickt.

• Das Aktualisieren (Bayes & Co.):
  Das größte Rätsel war bisher: Wie passt das berühmte Bayes-Theorem (wie man Wahrscheinlichkeiten bei neuen Beweisen aktualisiert) in dieses System?
  Der Autor löst das, indem er sagt: „Bayes ist keine Rechenmaschine, sondern ein Prozess, der auf einer Rechenmaschine läuft."
  Er zeigt, dass wenn man seine allgemeine Werkstatt richtig einstellt, das klassische Bayes-Theorem und andere Methoden (wie das Aktualisieren von Möglichkeiten) automatisch als Spezialfälle herausfallen. Es ist, als würde man einen universellen Motor bauen, der sowohl als Rennwagen als auch als Lastwagen funktioniert, je nachdem, wie man ihn einstellt.

Zusammenfassung in einem Bild

Stellen Sie sich vor, Unsicherheit ist wie Wasser.

• Manche Leute messen es in Litern (Wahrscheinlichkeit).
• Andere in Schwammgraden (Möglichkeit).
• Wieder andere in Tiefen (Glaubensstärken).

Dieses Papier baut einen universellen Wasserbehälter, der alle diese Maßeinheiten versteht. Es zeigt uns:

1. Welche Regeln gelten, wenn wir Wasser mischen (die Logik).
2. Warum wir nicht alle philosophischen Wünsche gleichzeitig erfüllen können (die Grenzen).
3. Wie wir Wasser von einem Behälter in einen anderen umfüllen, ohne dass es verschüttet wird (der Wechsel der Methoden).
4. Wie wir das Wasser aktualisieren, wenn ein neuer Regen kommt (das Lernen/Updaten).

Das Ziel: Nicht eine neue, komplizierte Theorie zu erfinden, sondern eine Brücke zu bauen, damit Philosophen, Mathematiker und Informatiker (die vielleicht KI-Systeme bauen) endlich auf derselben Sprache sprechen können, wenn es darum geht, mit Unwissenheit umzugehen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „A categorical formalization of epistemic uncertainty frameworks" von Torgeir Aambø auf Deutsch.

1. Problemstellung

Epistemische Unsicherheit entsteht durch unvollständiges Wissen über den Zustand eines Systems. Während es zahlreiche mathematische Frameworks zur quantitativen Messung dieser Unsicherheit gibt (oft als „imprecise probability theories" bezeichnet), fehlt es an einer einheitlichen, abstrakten Syntax, die diese Frameworks unabhängig von ihrer spezifischen Semantik vergleichen und ihre philosophischen Grundlagen analysieren kann.

Bestehende Ansätze wie Certainty Factors, Possibility Theory oder Bayesian Updating werden oft isoliert betrachtet. Die Herausforderung besteht darin:

• Die mathematische Syntax der Unsicherheit von ihrer Semantik zu trennen.
• Die algebraischen und ordnungstheoretischen Eigenschaften verschiedener Kalküle zu formalisieren.
• Widersprüche und Synergien zwischen verschiedenen epistemologischen Konzepten (z. B. Konservativismus vs. Fallibilität) axiomatisch zu untersuchen.
• Einen allgemeinen Mechanismus für den Wechsel zwischen diesen Kalkülen und für das Update von Überzeugungen (Belief Updating) bereitzustellen.

2. Methodik

Der Autor nutzt die Kategorientheorie als grundlegendes Werkzeug, inspiriert von früheren Arbeiten von Opdan (zu Certainty Factors) und der Theorie der t-Normen in der Fuzzy-Logik.

• Symmetrische monoidale posetale Kategorien: Das Fundament bilden Kategorien, die als geordnete Mengen (Posets) aufgefasst werden können, mit einer symmetrischen monoidalen Struktur ($\otimes$). Dies modelliert die Fusion von Evidenz.
• Definition des „Epistemic Calculus": Ein solcher Kalkulus wird als nicht-triviale, unitale, symmetrische monoidale posetale Kategorie $(V, \leq, \otimes, 1)$ definiert.
  • Objekte: Epistemische Werte (Grad der Überzeugung).
  • Morphismen: Vergleiche zwischen Werten ($x \leq y$).
  • Monoidales Produkt ($\otimes$): Fusion von Werten (Evidenzkombination).
  • Einheitsobjekt ($1$): Repräsentiert totale epistemische Unsicherheit.
• Axiomatische Analyse: Es werden spezifische Eigenschaften (Axiome E1–E8) definiert, die philosophische Haltungen repräsentieren (z. B. Optimismus, Skeptizismus, Idempotenz, Fallibilität, Kancellativität).
• Erweiterte Kategorientheorie (Enriched Categories): Um Unsicherheit in Systeme zu integrieren, werden Kategorien in einem epistemischen Kalkulus „angereichert" (enriched). Dies erlaubt es, die Semantik (die Objekte/Hypothesen) konstant zu halten, während die Syntax (die Unsicherheitsquantifizierung) durch einen Funktor gewechselt wird.
• Allgemeines Update-Modell: Für nicht-symmetrische Prozesse wie das Bayesianische Updating wird ein allgemeiner Update-Mechanismus basierend auf der Struktur geschlossener Kategorien (internal hom) entwickelt.

3. Wichtige Beiträge

A. Abstrakte Definition und Beispiele

Der Paper definiert den „Epistemic Calculus" abstrakt und formalisiert darin bekannte Frameworks:

1. Certainty Factors (CF): Basierend auf dem Intervall $[-1, 1]$ mit hyperbolischer Summe als Fusion.
2. Possibility Theory (PT): Intervall $[0, 1]$ mit Minimum als Fusion.
3. Bipolare Possibility Theory (PTbi): Paare $(x, x')$ für Ablehnung und Möglichkeit.
4. Intervalle Wahrscheinlichkeiten (IP): Geschlossene Intervalle mit Schnittmenge als Fusion.

B. Axiomatische Eigenschaften und Unvereinbarkeiten

Der Autor führt eine Reihe von Axiomen ein und untersucht deren Kompatibilität:

• E1/E2: Optimismus/Skeptizismus und Vollständigkeit (Existenz von Suprema).
• E3: Konsistenz (keine Gewissheit aus Unsicherheit erzeugen).
• E4: Geschlossenheit (Existenz eines internen Hom, Residuum).
• E5: Starker epistemischer Konservativismus (Überzeugungen werden nie durch Fusion geschwächt).
• E6: Idempotenz (Wiederholte gleiche Evidenz ändert nichts).
• E7: Fallibilität (Jeder Glaube kann durch neue Evidenz geändert werden).
• E8: Kancellativität (Relative Stärke bleibt bei Fusion gleich).

Wichtige Ergebnisse (Theoreme):

• Theorem A (Theorem 3.6): Ein vollständiger, nicht-trivialer epistemischer Kalkulus kann nicht gleichzeitig geschlossen (closed), stark konservativ und kancellativ sein. Dies zeigt einen fundamentalen Konflikt zwischen der Fähigkeit, negative Überzeugungen zu bilden (durch Geschlossenheit/Kancellativität), und der strikten Beibehaltung bestehender Überzeugungen (Konservativismus).
• Theorem 3.7: Ein vollständiger Kalkulus ist genau dann fallibel (E7), wenn er geschlossen ist (E4).
• Theorem 3.8: Auf einer totalen Ordnung ist die einzige idempotente monoidale Struktur das Minimum (Gödel-T-Norm).

C. Wechsel des Kalkulus (Change of Calculi)

Es wird eine Methode entwickelt, um zwischen verschiedenen Frameworks zu wechseln, ohne die zugrundeliegende Semantik (Hypothesen) zu ändern:

• Laxer Funktor (Konservativer Wechsel): Fusion kann keine neue Gewissheit erzeugen.
• Op-laxer Funktor (Liberaler Wechsel): Fusion kann keine Gewissheit verlieren.
• Äquivalenz: Es wird bewiesen, dass Bipolare Possibility Theory (PTbi) und Intervalle Wahrscheinlichkeiten (IP) als epistemische Kalküle isomorph (äquivalent) sind, obwohl ihre semantische Interpretation (Ablehnung vs. untere Wahrscheinlichkeitsgrenze) unterschiedlich ist.

D. Verallgemeinertes Belief Updating

Da Bayesianisches Updating nicht symmetrisch ist, passt es nicht direkt in die monoidale Struktur. Der Autor nutzt angereicherte Kategorien (Enriched Categories):

• Hypothesen werden als Objekte einer Kategorie $H$ modelliert, die in einem Kalkulus $V$ angereichert ist.
• Ein Update wird als Änderung der angereicherten Struktur definiert: $H_E(H, H') := [H(H, H') \otimes H(H', E), H(H, E)]$.
• Theorem B:
  • Wenn $V$ die Likelihood-Verhältnisse $(0, \infty)$ mit Multiplikation ist, entspricht das Update der Bayesianischen Odds-Formel.
  • Wenn $V$ die Possibility Theory ist, entspricht es der Dubois-Prade-Bedingung (possibilistic conditioning).
  • Auch Certainty Factors lassen sich als eine Form des log-odds Bayesian Updates mit nicht-linearer Rückprojektion ableiten.

4. Ergebnisse und Signifikanz

• Einheitliche Sprache: Der Paper bietet erstmals eine gemeinsame kategorientheoretische Sprache, um diverse Unsicherheitsframeworks (von Certainty Factors bis zu Intervall-Wahrscheinlichkeiten) zu vergleichen.
• Philosophische Klärung: Durch die axiomatische Analyse werden fundamentale Konflikte zwischen philosophischen Haltungen (z. B. warum man nicht gleichzeitig strikt konservativ und fallibel sein kann, wenn bestimmte algebraische Eigenschaften gelten) mathematisch bewiesen.
• Strukturelle Äquivalenz: Die Entdeckung, dass PTbi und IP isomorph sind, zeigt, dass scheinbar unterschiedliche Ansätze zur Modellierung von Unsicherheit strukturell identisch sein können.
• Flexibilität für KI-Systeme: Die Methode des „Change of Calculi" mittels angereicherter Kategorien ermöglicht es, Unsicherheitsmodelle in komplexen Systemen (wie Large Language Models oder Sensorsystemen) dynamisch zu wechseln, ohne die zugrundeliegende Logik der Hypothesen neu definieren zu müssen.
• Verallgemeinerung des Updates: Die Herleitung von Bayesianischem Updating und Possibilistic Conditioning als Spezialfälle eines allgemeinen kategorientheoretischen Updates zeigt die Universalität des Ansatzes und bietet einen Weg, um nicht-symmetrische Update-Prozesse in diesem Rahmen zu behandeln.

Fazit:
Dieser Beitrag legt ein rigoroses mathematisches Fundament für epistemische Unsicherheit. Er verbindet philosophische Konzepte mit abstrakter Algebra und Kategorientheorie, ermöglicht den systematischen Vergleich von Unsicherheitsframeworks und liefert Werkzeuge für deren Integration und Transformation in angewandten Systemen. Der Ansatz verspricht, die Diskussion über Unsicherheitsquantifizierung über die Grenzen einzelner Theorien hinaus zu heben.