Probabilities beyond Belnap-Dunn logic: dealing with gaps, gluts and reliability

Logik und Wahrscheinlichkeit werden seit langem als zwei verschiedene Sprachen zur Beschreibung der Welt angesehen. Die Logik ist die Lehre davon, wie wir schlussfolgern und bestimmen, was wahr sein muss, wenn andere Dinge wahr sind. Die Wahrscheinlichkeit ist die Lehre der Ungewissheit und misst, wie wahrscheinlich ein Ereignis eintritt. Jahrhundertelang operierten diese Felder unter der strengen Annahme: dass jede Aussage entweder wahr oder falsch ist und dass unser Wissen über die Welt umfassend genug ist, um eine einzelne Zahl für die Wahrscheinlichkeit eines Ereignisses zuzuweisen. Dies funktioniert gut bei Münzwürfen oder Wettervorhersagen, wo das Ergebnis eindeutig ist. Aber es stößt an seine Grenzen, wenn wir mit Informationen konfrontiert werden, die widersprüchlich, unvollständig oder schlichtweg unzuverlässig sind. Wenn ein Zeuge sagt, das Auto sei rot gewesen, und ein anderer sagt, es sei blau gewesen, bricht die klassische Logik zusammen, da das Auto nicht beides sein kann. Wenn niemand das Auto gesehen hat, hat die klassische Logik keine Möglichkeit, diesen totalen Mangel an Information darzustellen, ohne zu raten.

Um diese chaotischen Realitäten zu bewältigen, haben Forscher Systeme entwickelt, die „Lücken“ (wo wir nichts wissen) und „Gluts“ (wo wir widersprüchliche Informationen haben) zulassen. Diese Systeme, bekannt als nicht-klassische Logiken, behandeln Wahrheit als ein Spektrum statt als einen Schalter. Eine große Herausforderung blieb jedoch: Wie weist man Wahrscheinlichkeiten für Aussagen in diesen flexiblen Systemen zu? Wenn eine Aussage sowohl wahr als auch falsch, oder weder noch sein kann, wie berechnet man die Chance ihres Eintretens? Diese Frage ist entscheidend für künstliche Intelligenz, juristische Argumentation und jedes Feld, in dem Maschinen oder Menschen Entscheidungen auf der Grundlage unvollständiger, widersprüchlicher oder unzuverlässiger Daten treffen müssen. Ohne eine robuste Methode, um Unsicherheit in diesen komplexen Szenarien zu messen, bleibt unser Werkzeug zur Argumentation in einer Welt stecken, die zu einfach ist, um real zu sein.

Ein Team von Forschern hat diese Lücke nun geschlossen, indem es einen neuen Rahmen für Wahrscheinlichkeit auf Basis eines anspruchsvollen sechs-wertigen Logiksystems eingeführt hat. Ihre Arbeit, die in einer kürzlich erschienenen Studie veröffentlicht wurde, geht über die traditionellen vier-wertigen Systeme hinaus, die nur wahr, falsch, beides oder weder berücksichtigen. Durch das Hinzufügen einer entscheidenden fünften und sechsten Dimension – die die Zuverlässigkeit oder „Klassizität“ der Information selbst repräsentiert – haben sie eine Methode geschaffen, um nicht nur zu messen, ob eine Aussage wahr ist, sondern auch, ob wir der Quelle dieser Wahrheit vertrauen können. Dies ermöglicht eine viel feingliedrigere Analyse der Überzeugung und unterscheidet zwischen einer festen Überzeugung, einer vagen Vermutung, einem Widerspruch und einem totalen Mangel an Beweisen.

Die Forscher bauten ihr System auf einer Logik namens LET+K auf, die frühere Modelle erweitert, indem sie einen Operator einführt, der wie eine „Zuverlässigkeitsprüfung“ fungiert. Im alltäglichen Sinne erlaubt dieser Operator einem System zu sagen: „Ich habe Beweise für diese Behauptung, und diese Beweise sind solide“, oder „Ich habe Beweise für diese Behauptung, aber die Quelle ist unzuverlässig“. Diese Unterscheidung ist lebenswichtig. In einem Standardmodell könnte man bei einem Widerspruch gezwungen sein, dies als totales Versagen des Schließens zu behandeln. In diesem neuen System kann man den Widerspruch anerkennen und gleichzeitig feststellen, dass die Information, die ihn verursacht, unzuverlässig ist, wodurch der Prozess der Argumentation fortgesetzt werden kann, ohne zusammenzubrechen. Das Team definierte Wahrscheinlichkeitsfunktionen, die über sechs verschiedene Regionen der Möglichkeit arbeiten: zuverlässige Überzeugung, unzuverlässige Überzeugung, Konflikt, unzuverlässige Nicht-Überzeugung, zuverlässige Nicht-Überzeugung und totale Ungewissheit.

Um diese abstrakten Konzepte funktionsfähig zu machen, entwickelten die Autoren eine neue Art, diese Wahrscheinlichkeiten mithilfe dessen zu visualisieren, was sie „Twist-Strukturen“ nennen. Stellen Sie sich eine Landkarte vor, auf der jeder mögliche Zustand der Welt in sechs spezifische Zonen unterteilt ist, statt nur in zwei. Wenn eine Information eintrifft, landet sie nicht einfach auf „wahr“ oder „falsch“; sie beleuchtet spezifische Teile dieser sechsteiligen Landkarte. Die Forscher haben bewiesen, dass ihre neuen Wahrscheinlichkeitsfunktionen mathematisch fundiert und vollständig sind, was bedeutet, dass sie strengen logischen Regeln folgen, die Widersprüche verhindern und sicherstellen, dass die Zahlen korrekt addiert werden. Sie zeigten, dass diese Funktionen auf drei verschiedene Arten definiert werden können – eindimensional, dreidimensional und sechdimensional – und dass alle drei Ansätze vollkommen äquivalent sind, da sie lediglich dieselben Daten aus unterschiedlichen Blickwinkeln betrachten.

Ein zentraler Erfolg der Arbeit ist die Erweiterung des „Jeffrey-Updates“, einer berühmten Methode zur Änderung von Überzeugungen, wenn neue Beweise eintreffen. In der klassischen Welt, wenn man eine neue Tatsache erfährt, aktualisiert man seine Wahrscheinlichkeiten basierend darauf, dass diese Tatsache gewiss ist. Aber in der realen Welt sind neue Beweise oft unsicher. Die Forscher passten diese Aktualisierungsregel an ihr sechs-wertiges System an. Sie demonstrierten, wie man Wahrscheinlichkeiten anpasst, wenn man lernt, dass eine Aussage „etwas zuverlässig“ oder „etwas widersprüchlich“ ist, anstatt nur wahr oder falsch zu sein. Sie lieferten sowohl eine mathematische Definition als auch einen logischen Beweis dafür, dass diese beiden Methoden der Aktualisierung identisch sind, was sicherstellt, dass das System konsistent bleibt, egal ob man es aus der Perspektive der Rohzahlen oder der logischen Regeln betrachtet.

Die Studie untersuchte auch, wie dieses System mit dem klassischen „Bayesian-Update“ umgeht, das verwendet wird, wenn Beweise gewiss sind. Sie zeigten, dass ihr neues System die alten, klassischen Methoden als Spezialfälle natürlich einschließt. Wenn die Information vollkommen zuverlässig ist und der Widerspruch unmöglich ist, verhält sich das System exakt wie die klassische Logik, die wir gewohnt sind. Aber wenn die Information ungeordnet ist, passt sich das System an, um die Komplexität aufzunehmen. Dies bedeutet, dass der neue Rahmenwerk unsere bestehenden Werkzeuge nicht ersetzt, sondern sie generalisiert und somit ein mächtigeres Toolkit für Situationen bietet, in denen die Welt sich weigert, einfach zu sein.

Die Auswirkungen dieser Arbeit sind signifikant für jedes Feld, das mit unsicheren Daten arbeitet. Indem sie eine rigorose Methode bereitgestellt haben, die Zuverlässigkeit von Informationen neben deren Wahrheitswert zu messen, haben die Forscher uns einen Weg aufgezeigt, über Widersprüche zu argumentieren, ohne den Verstand zu verlieren. Sie haben gezeigt, dass es möglich ist, eine mathematische Theorie der Wahrscheinlichkeit zu haben, welche die Tatsache respektiert, dass einige Informationen widersprüchlich, einige fehlend und einige schlichtweg unzuverlässig sind. Dies ist nicht nur eine theoretische Übung; es ist ein notwendiger Schritt hin zum Aufbau einer künstlichen Intelligenz, die in der chaotischen, widersprüchlichen und unzuverlässigen Natur menschlichen Wissens navigieren kann. Die Arbeit schließt mit dem Entwurf darüber ab, wie dieser Rahmen zur Verbesserung von Systemen zur Überarbeitung von Überzeugungen (Belief Revision) genutzt werden könnte, was Agenten ermöglicht, ihre Ansichten in einer Weise zu aktualisieren, die sensibel gegenüber der Qualität der erhaltenen Beweise ist.

Letztendlich bietet diese Forschung eine ehrlichere Art, über Ungewissheit nachzudenken. Sie erkennt an, dass die Welt nicht immer schwarz oder weiß ist und dass unser Wissen oft ein Flickenteppich aus festen Überzeugungen, vagen Vermutungen und offensichtlichen Widersprüchen ist. Durch die Schaffung einer mathematischen Sprache, die all diese Zustände gleichzeitig beschreiben kann, haben die Autoren das Fundament für eine robustere und flexiblere Logik der Evidenz gelegt. Ihre Arbeit beweist, dass wir die Zuverlässigkeit unserer Überzeugungen genauso präzise messen können wie ihre Wahrscheinlichkeit, was die Tür zu einer neuen Ära des Schlussfolgerns in einer unvollkommenen Welt öffnet.