The Geometry of Knowing: From Possibilistic Ignorance to Probabilistic Certainty -- A Measure-Theoretic Framework for Epistemic Convergence

1. Il Problema: La Distinzione tra Incertezza Epistemica e Aleatoria

Il paper affronta una sfida fondamentale nell'inferenza sotto incertezza: la distinzione tra due tipi di indeterminazione che spesso vengono confusi nei sistemi di fusione sensoriale e di controllo:

• Incertezza Aleatoria (Stocastica): Deriva dalla variabilità intrinseca di un sistema (rumore, casualità). È modellabile classicamente tramite la teoria della probabilità additiva.
• Incertezza Epistemica: Deriva dall'ignoranza, da modelli incompleti, da dati conflittuali o da dinamiche non modellate. Non è intrinsecamente stocastica, ma riflette la mancanza di conoscenza.

Il problema centrale è che molti sistemi di filtraggio moderni (come il Filtro di Kalman Unscented - UKF) assumono implicitamente che tutta l'incertezza sia aleatoria e gaussiana. Questa assunzione porta a una "falsa precisione": il sistema può fornire stime accurate ma con una covarianza che collassa artificialmente, nascondendo il fatto che il modello sottostante potrebbe essere inadeguato (ignoranza residua). Il paper mira a formalizzare matematicamente la transizione da una rappresentazione possibilistica (ignoranza) a una probabilistica (certezza stocastica) e a fornire criteri per gestire questa transizione in modo adattivo.

2. Metodologia: Un Quadro Teorico di Misura

L'autore sviluppa un quadro unificato basato sulla teoria della misura per descrivere come l'ignoranza si contrae in certezza probabilistica man mano che le evidenze si accumulano.

• Rappresentazione Possibilistica: L'incertezza epistemica è codificata tramite una distribuzione di possibilità $\pi: X \to [0, 1]$ e la sua duale, la misura di necessità $N$. Insieme, definiscono un insieme credale ($P_\pi$), ovvero l'insieme di tutte le misure di probabilità compatibili con le attuali evidenze.
• Integrale di Choquet: Per aggregare le informazioni in questo contesto non additivo, viene utilizzato l'integrale di Choquet, che generalizza l'aspettativa matematica per misure non additive.
• Collasso Epistemico: La transizione alla probabilità avviene quando l'insieme credale si contrae in un singolo elemento (una misura di probabilità unica). Matematicamente, questo corrisponde alla condizione in cui la possibilità e la necessità coincidono ($\Pi(A) = N(A)$) per tutti gli eventi.
• Larghezza Epistemica ($W$): Viene introdotta una nuova metrica scalare, la "larghezza epistemica", definita come l'integrale della differenza tra la distribuzione di possibilità e il nucleo di necessità ($W = \int (\pi - n) d\mu$). Questa grandezza quantifica il grado di ignoranza residua.
• Stima Online: Poiché calcolare $W$ richiede la distribuzione completa (spesso non disponibile nei filtri probabilistici), viene proposto un proxy basato sulla statistica NEES (Normalized Estimation Error Squared) del filtro UKF. Se il NEES è elevato, indica un disallineamento del modello (alta incertezza epistemica) e suggerisce di passare a un filtro possibilistico.

3. Contributi Chiave

Il paper apporta diversi contributi teorici e pratici significativi:

1. Teorema di Convergenza Choquet-Lebesgue (Teorema 4.5): Viene dimostrato rigorosamente che, sotto condizioni specifiche (consonanza, contrazione dell'insieme credale, convergenza $L^1$ e dominazione), l'integrale di Choquet su una distribuzione di possibilità converge all'integrale di Lebesgue su una densità di probabilità unica. Questo stabilisce le condizioni matematiche precise per cui il ragionamento possibilistico diventa probabilistico.
2. Definizione Axiomatica della Larghezza Epistemica ($W$): Viene introdotta una metrica normalizzata per misurare l'ignoranza, con proprietà assiomatiche chiare (non-negatività, monotonia rispetto all'acquisizione di informazioni, invarianza di scala).
3. Ponte UKF-ESPF (Teorema 9.1): Viene dimostrato formalmente che il Filtro di Kalman Unscented (UKF) emerge come limite gaussiano del Filtro a Punti di Supporto Epistemico (ESPF). Quando l'incertezza epistemica si contrae e il modello è gaussiano, le due tecniche convergono alla stessa soluzione ottima, ma partono da premesse filosofiche e matematiche diverse.
4. Algoritmo di Commutazione Adattiva: Viene proposto un algoritmo completo (Algorithm 1) che utilizza la larghezza epistemica stimata ($\hat{W}_t$) per decidere dinamicamente quando passare dal filtro probabilistico (UKF) a quello possibilistico (ESPF) e viceversa, basandosi su una soglia di tolleranza al rischio ($W_{crit}$).

4. Risultati Sperimentali

Il framework è stato validato su uno scenario di tracciamento orbitale di 2 giorni (877 passi) con un oggetto in orbita bassa, soggetto a manovre non previste e bias nei sensori.

• Accuratezza Comparabile: Sia l'UKF che l'ESPF hanno raggiunto un'accuratezza finale simile (errore di posizione RIC $\approx$ 1 metro).
• Il Distacco Epistemico:
  • UKF (Silenzioso Epistemicamente): Durante un evento di stress (manovra e bias), l'UKF ha assorbito l'errore e ha recuperato l'accuratezza, ma la sua covarianza è collassata a un livello di certezza estrema ($\log \det P \approx -140$). Non ha lasciato traccia interna dell'evento stressante; una volta recuperato, il filtro sembra non aver mai avuto problemi. Inoltre, in condizioni nominali, l'UKF mostra un'overconfidence statistica (il NIS supera i limiti attesi nonostante la covarianza collassata).
  • ESPF (Onesto Epistemicamente): L'ESPF ha mantenuto una larghezza epistemica alta ($W_{ep} \approx 0.8$) durante tutto il processo, segnalando onestamente che l'assunzione gaussiana non era pienamente giustificata. Ha fornito un avviso precoce dell'evento di stress tramite la saturazione della necessità e l'aumento della "surprisal" (sorpresa) prima che l'errore di innovazione esplodesse. Dopo il recupero, l'ESPF ha mantenuto una "memoria geometrica" dello stress, evitando di affermare una certezza falsa.

5. Significato e Implicazioni

Il lavoro ridefinisce il rapporto tra probabilità e possibilità non come una gerarchia in cui una è "migliore" dell'altra, ma come soluzioni ottimali a problemi diversi che convergono quando le condizioni di chiusura epistemica sono soddisfatte.

• Disciplina Epistemica: Il paper introduce il concetto di "disciplina epistemica": la probabilità dovrebbe essere utilizzata solo quando l'ignoranza residua è stata ridotta a un livello accettabile rispetto al rischio applicativo ($W < W_{crit}$). Utilizzare la probabilità quando l'ignoranza è alta porta a inferenze epistemicamente overconfident.
• Implicazioni per l'IA e la Fusione Sensoriale: In contesti critici (aerospaziale, robotica autonoma, sistemi di supporto decisionale), la capacità di distinguere tra "non so" (ignoranza) e "è casuale" (rumore) è cruciale. L'ESPF, guidato dal framework proposto, offre un meccanismo per mantenere la consapevolezza del proprio stato di conoscenza, fornendo allarmanti precoci e prevenendo la fiducia eccessiva in modelli imperfetti.
• Ontologia Operativa: Il paper chiarisce che non fa affermazioni sull'ontologia della probabilità in meccanica quantistica, ma si concentra sull'inferenza in contesti di fusione di informazioni con modelli parziali. In questi contesti, la probabilità è un limite asintotico raggiungibile solo dopo che l'ignoranza è stata sistematicamente ridotta.

In sintesi, il paper fornisce le basi matematiche e gli strumenti pratici per costruire sistemi di intelligenza artificiale e di controllo che non solo calcolano la risposta migliore, ma sono anche consapevoli dei limiti della propria conoscenza, passando dinamicamente tra modelli di incertezza possibilistica e probabilistica in base all'evidenza accumulata.