🤖 AI

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

이 논문은 증거의 축적에 따라 가능성 분포가 확률 분포로 수렴하는 측도론적 프레임워크를 정립하고, 이를 통해 기존 칼만 필터 (UKF) 와 달리 불확실성을 정직하게 반영하는 새로운 추정 기법 (ESPF) 의 이론적 근거와 실증적 유효성을 입증합니다.

원저자: Moriba Kemessia Jah

게시일 2026-04-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Moriba Kemessia Jah

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"우리가 무언가를 알 때, 그 '아는 정도'를 어떻게 수학적으로 표현할 것인가?"**에 대한 매우 흥미로운 질문에서 시작합니다.

간단히 말해, 이 연구는 **"모르는 것 (불확실성) 을 어떻게 처리할 것인가?"**에 대한 두 가지 다른 접근법 (가능성 이론 vs 확률론) 을 연결하고, 언제 어떤 방법을 써야 하는지 결정하는 규칙을 만들었습니다.

이 복잡한 수학적 논리를 일상적인 언어와 비유로 설명해 드리겠습니다.

1. 핵심 비유: "미지의 숲"과 "정밀한 지도"

이 논문의 핵심은 **'무지 (Ignorance)'**와 **'우연 (Randomness)'**을 구분하는 데 있습니다.

가능성 이론 (Possibility Theory) = "미지의 숲"
- 우리가 처음 어떤 숲에 들어섰을 때, 어디에 어떤 동물이 살지 전혀 모릅니다.
- "여기에 호랑이가 있을 수도 있고, 없을 수도 있다"라고만 생각합니다.
- 이때는 **"어떤 것이 가능할까?"**에 초점을 맞춥니다. "호랑이가 있을 가능성은 100% 다"라고 말하지만, "정말 50% 확률로 있다"라고 숫자를 찍어 말하지는 않습니다.
- 핵심: "모르는 게 많다"는 사실을 솔직하게 인정하는 상태입니다.
확률론 (Probability Theory) = "정밀한 지도"
- 숲을 수년 동안 조사해서 호랑이가 주로 어디에 사는지, 몇 마리인지 정확히 알게 되었습니다.
- 이제 "이곳에 호랑이가 나타날 확률은 30%"라고 숫자로 정확히 말할 수 있습니다.
- 핵심: "모르는 게 거의 없다"는 상태입니다. 남은 불확실성은 단순히 '우연'일 뿐입니다.

2. 이 논문이 해결한 문제: "무조건 확률로 계산하면 안 되는 이유"

기존의 많은 시스템 (예: GPS, 우주선 추적 등) 은 무언가를 계산할 때 **항상 '확률 (지도)'**을 사용했습니다. 하지만 문제는, 우리가 아직 '숲'을 제대로 조사하지도 않았는데 억지로 '지도'를 만들어서 숫자를 찍어내는 경우가 많다는 것입니다.

기존 방식의 문제점:
- 시스템이 "나는 99.9% 확신해!"라고 말하지만, 실제로는 중요한 변수를 놓치고 있을 수 있습니다.
- 마치 "이 숲에 호랑이가 50% 확률로 있다"고 말하면서, 사실은 "호랑이 존재 여부 자체를 모른다"는 사실을 숨기는 것과 같습니다.
- 이를 **"지식적 침묵 (Epistemic Silence)"**이라고 부릅니다. 시스템은 정확한 숫자를 내지만, 그 숫자가 얼마나 신뢰할 수 있는지 (지식 부족으로 인한 위험) 는 말해주지 않습니다.

3. 이 논문의 해결책: "지식 폭 (Epistemic Width)"이라는 새로운 나침반

저자는 **'지식 폭 (W)'**이라는 새로운 개념을 도입했습니다.

지식 폭 (W) 이란?
- "내가 얼마나 모르고 있는가?"를 측정하는 자입니다.
- W 가 크다면: "아직 숲을 잘 모른다. 가능성 이론 (미지의 숲) 을 써야 한다."
- W 가 작다면: "숲을 충분히 조사했다. 이제 확률론 (정밀한 지도) 을 써도 안전하다."

이 논문은 수학적으로 증명했습니다.

"데이터가 쌓여 '지식 폭 (W)'이 0 에 가까워지면, '가능성'이라는 개념이 자연스럽게 '확률'로 변한다."

즉, 억지로 확률을 쓰는 게 아니라, 지식이 충분히 쌓였을 때 자연스럽게 확률로 넘어가야 한다는 것입니다.

4. 실제 적용: 우주선 추적의 비유

논문에서는 이 이론을 실제 우주선 추적 (Orbital Tracking) 에 적용해 비교했습니다.

상황: 우주선이 갑자기 기동을 하거나, 센서에 오차가 생기는 '스트레스 상황'이 발생했습니다.
기존 필터 (UKF - 확률론):
- 우주선이 기동을 해도, 계산 결과만 보면 "아, 여전히 정확해!"라고 말합니다.
- 하지만 실제로는 큰 위험을 겪고도, 시스템은 **"나는 여전히 완벽해"**라고 속여 말합니다. (지식적 침묵)
- 나중에 문제가 터져도, 시스템은 "아까 그 위험한 상황? 그런 거 없었어"라고 잊어버린 척합니다.
새로운 필터 (ESPF - 가능성 이론):
- 우주선이 기동하자마자 **"지금 내가 모르는 게 많아! 위험해!"**라고 경고합니다.
- "지식 폭 (W)"이 여전히 크다고 표시하며, "아직 지도를 믿기엔 무리가 있다"고 솔직하게 말합니다.
- 위험이 지나간 후에도, **"방금 큰 위험을 겪었어"**라는 기억을 남깁니다. (지식적 정직함)

5. 결론: "정답"보다 "정직한 상태"가 중요하다

이 논문의 가장 중요한 메시지는 다음과 같습니다.

"무조건 정확한 숫자를 내는 것보다, 내가 얼마나 모르고 있는지를 솔직하게 알려주는 것이 더 안전하다."

**확률 (Probability)**은 우리가 세상을 충분히 알고 있을 때 쓰는 최고의 도구입니다.
**가능성 (Possibility)**은 우리가 세상을 아직 잘 모를 때 쓰는 안전장치입니다.

이 연구는 **"언제 도구 (확률) 를 바꿔야 하는지"**를 판단하는 기준을 제시했습니다.

아직 모를 게 많으면 (W 가 크면) → 가능성 이론으로 "모른다"고 솔직하게 인정하고 대응합니다.
충분히 알게 되면 (W 가 작아지면) → 확률 이론으로 "정확히 계산"합니다.

한 줄 요약:
이 논문은 **"우리가 무언가를 계산할 때, '모르는 것'을 숨기지 말고 '지식 폭'이라는 자로 재서, 언제 확률을 써도 안전한지 판단하는 새로운 규칙"**을 만들었습니다. 이는 인공지능이나 자율주행, 우주 탐사 등 중요한 결정을 내리는 시스템이 **"나를 믿지 마, 아직 모를 게 많아"**라고 솔직하게 말할 수 있게 해주는 윤리적이고 안전한 기술입니다.

이 논문은 불완전한 지식 하에서의 추론을 다루며, 가능성 (Possibility) 기반의 표현이 확률 (Probability) 기반의 표현으로 수렴하는 조건을 정립하는 통합된 측도론적 (Measure-Theoretic) 프레임워크를 제시합니다. 저자 Moriba Kemessia Jah 는 인지적 불확실성 (Epistemic uncertainty) 과 우연적 불확실성 (Aleatory uncertainty) 을 구분하고, 전자가 후자로 전환되는 수학적 조건과 알고리즘적 구현을 제안합니다.

다음은 논문의 핵심 내용을 요약한 기술적 요약입니다.

1. 문제 정의 (Problem Statement)

지식 불완전성의 이중성: 센서 퓨전, 의사결정 지원, 과학적 추론 등 많은 분야에서 불확실성은 두 가지 원천에서 발생합니다.
1. 우연적 불확실성 (Aleatory): 본질적으로 무작위적인 현상 (확률론으로 처리).
2. 인지적 불확실성 (Epistemic): 정보 부족, 모델 불완전성, 모순된 증거로 인한 무지 (가능성 이론이나 부정확 확률로 처리).
현재의 한계: 기존의 많은 시스템 (예: Unscented Kalman Filter, UKF) 은 모든 불확실성을 우연적 (가우시안) 으로 가정합니다. 이는 인지적 불확실성이 여전히 존재하는 상황에서 위험하게 과신된 (Overconfident) 추론을 초래하며, 모델이 붕괴되거나 스트레스를 받는 상황을 감지하지 못하게 합니다.
핵심 질문: "어떤 조건에서 가능성 (Possibility) 기반의 불완전한 지식이 확률 (Probability) 기반의 정밀한 추론으로 수렴할 수 있는가?"

2. 방법론 (Methodology)

논문은 다음과 같은 수학적 및 알고리즘적 프레임워크를 구축합니다.

A. 측도론적 수렴 정리 (Choquet-to-Lebesgue Convergence)

인지적 붕괴 (Epistemic Collapse): 증거가 축적됨에 따라 가능성 분포 $\pi$ 가 정의하는 **신념 집합 (Credal Set, $P_\pi$ )**이 단일 확률 분포 $P^*$ 로 수렴하는 조건을 정의합니다.
주요 정리 (Theorem 4.5): 다음과 같은 조건 하에서, 가능성 측도에 대한 Choquet 적분은 확률 밀도 함수에 대한 Lebesgue 적분으로 수렴함을 엄밀하게 증명합니다.
1. Consonance (합성성): 가능성 분포의 $\alpha$ -절단 (level sets) 이 중첩됨.
2. 신념 집합 수축: 상한 가능성 ( $\Pi$ ) 과 하한 필요성 ( $N$ ) 의 차이가 0 으로 수렴.
3. $L^1$ 수렴: $\pi_t$ 가 확률 밀도 $p^*$ 로 수렴.
4. 우세 조건 (Domination): 일관된 지배 함수 존재.
비합성 (Non-consonant) 경우: 합성성이 없는 경우에도 총변동 거리 (Total Variation Diameter) 를 통해 수렴이 보장됨을 보였습니다.

B. 인지적 폭 (Epistemic Width, $W$ ) 의 정의 및 추정

정의: 인지적 불확실성의 크기를 정량화하는 지표로, 가능성 분포 $\pi$ 와 필요성 커널 $n$ 의 차이를 적분한 값 ( $W = \int (\pi - n) d\mu$ ) 을 정의했습니다.
정규화: $W$ 를 $[0, 1]$ 범위로 정규화하여, 0 은 완전한 확률적 수렴 (인지적 붕괴), 1 은 완전한 무지를 의미하도록 설정했습니다.
온라인 추정기 (Proxy Estimator): 실제 가능성 분포를 알 수 없는 UKF 모드에서도 계산 가능한 $\tilde{W}_t$ 를 제안했습니다. 이는 혁신 (Innovation) 의 정규화된 제곱 오차 (NEES) 를 기반으로 하며, 모델 불일치를 인지적 폭의 대리 지표로 사용합니다.

C. 적응형 필터링 및 전환 알고리즘

UKF 에서 ESPF 로의 전환: 인지적 폭 $W$ 가 임계값 ( $W_{crit}$ ) 을 초과하면 가우시안 필터 (UKF) 에서 **인지적 지지점 필터 (Epistemic Support-Point Filter, ESPF)**로 전환합니다.
ESPF: Smolyak 희소 격자 (Sparse Grid) 를 사용하여 지지점 (Support Points) 을 생성하고, 가우시안 가중치가 아닌 호환성 (Compatibility) 기반의 가지치기 (Pruning) 를 수행하여 불확실성을 표현합니다.
역전 (Reversibility): 도메인이 확장되거나 새로운 불확실성이 발견되면, 확률적 모델이 다시 인지적 모델로 확장될 수 있음을 증명했습니다.

3. 주요 기여 (Key Contributions)

이론적 엄밀성: 가능성 이론과 확률론 사이의 전환을 설명하는 Choquet-to-Lebesgue 수렴 정리를 엄밀하게 증명했습니다. 이는 기존 문헌에서 모호하게 다루어졌던 부분을 명확히 했습니다.
인지적 폭 (Epistemic Width) 의 정립: 순환적 논리를 해결하고 온라인으로 계산 가능한 $\tilde{W}_t$ 를 도입하여, 언제 확률적 추론이 적절한지 판단하는 객관적 기준을 제시했습니다.
UKF 와 ESPF 의 수렴성 증명 (Theorem 9.1): 가우시안 극한 조건 하에서 ESPF 가 UKF 로 수렴함을 증명했습니다. 이는 두 필터가 서로 다른 문제 (최대 엔트로피 최소화 vs 최소 평균 제곱 오차) 를 해결하지만, 조건이 충족될 때 동일한 해에 도달함을 의미합니다.
적응형 알고리즘: 인지적 상태에 따라 필터를 동적으로 전환하는 Algorithm 1을 제시했습니다.

4. 실험 결과 (Results)

논문은 2 일 동안의 궤적 추적 시나리오 (877 단계, Smolyak Level-3) 에서 UKF 와 ESPF 를 비교했습니다. 시나리오에는 10 m/s 의 기동과 20 m 의 거리 편향이 주입되었습니다.

정확도 (Accuracy): 두 필터 모두 최종 위치 오차 (RIC error) 가 약 1m로 거의 동일한 정확도를 보였습니다.
인지적 정직성 (Epistemic Honesty) 의 차이:
- UKF (인지적 침묵): 기동 및 편향 스트레스가 발생했을 때, 공분산 행렬이 과도하게 축소 ( $\log \det P \approx -140$ ) 되어 모델이 붕괴되었음을 내부적으로 감지하지 못했습니다. 스트레스가 해소된 후에도 과거의 스트레스 사건에 대한 흔적이 남지 않았습니다. 또한 정상 상태에서도 NIS (Normalized Innovation Squared) 가 통계적 한계를 초과하는 등 **과신 (Overconfidence)**을 보였습니다.
- ESPF (인지적 정직성): 스트레스 발생 시 필요성 (Necessity) 포화와 놀라움 (Surprisal) 급증을 통해 UKF 보다 먼저 이상을 감지했습니다. 스트레스가 해소된 후에도 **인지적 폭 ( $W_{ep} \approx 0.8$ )**이 유지되며, 지지점 기하학이 스트레스 사건을 기억했습니다. 이는 필터가 "아직 가우시안 근사가 유효하지 않다"는 사실을 정직하게 보고하는 것입니다.

5. 의의 및 결론 (Significance)

인지적 엄격성 (Epistemic Discipline): 확률론은 모든 불확실성이 우연적일 때만 적용되어야 하며, 그렇지 않은 경우 (모델 불완전성 등) 는 가능성 이론이 선행되어야 함을 주장합니다.
실용적 가치: 이 프레임워크는 자율 주행, 우주 궤적 추적, 위험 관리 등 모델 불확실성이 치명적일 수 있는 분야에서 시스템이 자신의 지식 한계를 인식하고 적절히 대응할 수 있는 도구를 제공합니다.
철학적 통찰: 확률과 가능성은 서로 경쟁하는 위계적 관계가 아니라, 서로 다른 추론 문제에 대한 최적의 해이며, 지식이 축적됨에 따라 수렴하는 관계임을 정립했습니다.

요약하자면, 이 논문은 **"불완전한 지식을 가진 시스템이 어떻게 확률론적 확신을 가질 자격을 얻는지 (Epistemic Collapse)"**를 수학적으로 정의하고, 이를 실시간으로 모니터링하여 필터를 전환하는 알고리즘을 제안함으로써, AI 및 추정 시스템의 **인지적 정직성 (Epistemic Honesty)**을 확보하는 길을 제시했습니다.