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

논리와 확률은 오랫동안 세상을 설명하는 두 가지 서로 다른 언어로 간주되어 왔습니다. 논리는 우리가 어떻게 추론하는지를 연구하며, 다른 것들이 참일 때 무엇이 반드시 참이어야 하는지를 결정합니다. 확률은 불확실성을 연구하며, 어떤 사건이 일어날 가능성이 얼마나 높은지를 측정합니다. 수 세기 동안 이 분야들은 모든 진술이 참 아니면 거짓이며, 세상에 대한 우리의 지식이 어떤 사건에 대해 단 하나의 숫자를 할당할 수 있을 만큼 충분히 완전하다는 엄격한 가정 하에 운영되어 왔습니다. 이는 동전 던지기나 일기 예보처럼 결과가 명확한 경우에는 잘 작동합니다. 하지만 우리가 모순되거나, 불완전하거나, 혹은 단순히 신뢰할 수 없는 정보에 직면할 때는 어려움을 겪습니다. 만약 한 목격자가 자동차가 빨간색이었다고 말하고, 다른 목격자가 파란색이었다고 말한다면, 자동차는 동시에 두 가지 색일 수 없기 때문에 고전 논리는 무너집니다. 만약 아무도 그 자동차를 보지 못했다면, 고전 논리는 억지로 추측을 강요하지 않고서는 그러한 완전한 정보의 부재를 표현할 방법이 없습니다.

이러한 복잡한 현실을 다루기 위해, 연구자들은 '공백'(우리가 아무것도 모르는 상태)과 '과잉'(상충하는 정보가 있는 상태)을 허용하는 시스템을 개발해 왔습니다. 비고전 논리라고 알려진 이 시스템들은 진리를 스위치라기보다는 하나의 스펙트럼으로 취급합니다. 그러나 주요한 과제가 남아 있었습니다. 이러한 유연한 시스템에서 어떻게 진술에 확률을 할당할 것인가 하는 점입니다. 만약 어떤 진술이 참인 동시에 거짓일 수 있거나, 혹은 둘 다 아니라면, 그것이 일어날 확률을 어떻게 계산할 수 있을까요? 이 질문은 인공지능, 법적 추론, 그리고 기계나 인간이 불완전하고 상충하며 신뢰할 수 없는 데이터에 기반하여 결정을 내려야 하는 모든 분야에서 매우 중요합니다. 이러한 복잡한 시나리오에서 불확실성을 측정할 강력한 방법이 없다면, 우리의 추론 도구들은 너무 단순한 세상 속에 갇혀 있게 될 것입니다.

한 연구팀은 정교한 6값 논리 체계를 기반으로 한 새로운 확률 프레임워크를 도입함으로써 이 간극을 메웠습니다. 최근 발표된 연구에 따르면, 이들의 작업은 참, 거짓, 둘 다, 혹은 둘 다 아닌 상태만을 고려하는 기존의 4값 시스템을 넘어섰습니다. 정보 자체의 신뢰성 또는 '고전성(classicality)'을 나타내는 결정적인 다섯 번째와 여섯 번째 차원을 추가함으로써, 그들은 단순히 어떤 진술이 참인지뿐만 아니라, 그 진실의 출처를 얼마나 신뢰할 수 있는지까지 측정하는 방법을 만들어냈습니다. 이를 통해 확고한 신념, 불확실한 추측, 모순, 그리고 증거의 완전한 부재를 구분하는 훨씬 더 세밀한 믿음의 분석이 가능해졌습니다.

연구진은 이전 모델들을 확장하여 '신뢰성 검사' 역할을 하는 연산자를 도입한 LET+K라는 논리에 이 시스템을 구축했습니다. 일상적인 용어로 설명하자면, 이 연산자는 시스템이 "나는 이 주장에 대한 증거를 가지고 있으며, 그 증거는 견고하다"라고 말하거나, "나는 이 주장에 대한 증거를 가지고 있지만, 그 출처는 신뢰할 수 없다"라고 말할 수 있게 해줍니다. 이러한 구분은 필수적입니다. 표준적인 시스템에서는 모순이 발생하면 이를 추론의 완전한 실패로 취급해야 할 수도 있습니다. 하지만 이 새로운 시스템에서는 모순을 인정하면서 동시에 그 모순을 일으키는 정보가 신뢰할 수 없다는 점을 주목할 수 있으므로, 추론 과정이 붕괴하지 않고 계속될 수 있습니다. 연구팀은 신뢰할 수 있는 믿음, 신뢰할 수 없는 믿음, 갈등, 신뢰할 수 없는 불신, 신뢰할 수 있는 불신, 그리고 완전한 불확실성이라는 여섯 가지 뚜렷한 영역에 걸쳐 작동하는 확률 함수를 정의했습니다.

이러한 추상적인 개념을 실제로 구현하기 위해, 저자들은 '트위스트 구조(twist structures)'라고 부르는 새로운 방식의 확률 시각화 기법을 개발했습니다. 모든 가능한 세계의 상태가 단 두 개가 아닌 여섯 개의 특정 구역으로 나뉘어 있는 지도를 상상해 보십시오. 정보가 도착하면, 그것은 단순히 '참' 또는 '거짓'에 착륙하는 것이 아니라, 이 여섯 부분으로 구성된 지도의 특정 부분을 밝힙니다. 연구진은 자신들의 새로운 확률 함수가 수학적으로 건전하고 완전하다는 것을 증명했는데, 이는 함수가 엄격한 논리 규칙을 따르며 모순을 방지하고 숫자의 합이 항상 올바르게 유지됨을 의미합니다. 그들은 이 함수들이 일차원, 삼차원, 육차원의 세 가지 방식으로 정의될 수 있으며, 세 가지 접근 방식 모두 동일한 데이터를 다른 각도에서 바라보는 것일 뿐 완전히 동등하다는 것을 보여주었습니다.

이 논문의 핵심 성과는 새로운 증거가 도착했을 때 믿음을 변화시키는 유명한 방법인 '제프리 업데이트(Jeffrey's update)'를 확장한 것입니다. 고전적인 세계에서 새로운 사실을 알게 되면, 그 사실이 확실하다는 전제하에 확률을 업데이트합니다. 하지만 현실 세계에서 새로운 증거는 종종 불확실합니다. 연구진은 이 업데이트 규칙을 6값 시스템에 맞게 조정했습니다. 그들은 어떤 진술이 단순히 참 또는 거짓인 것이 아니라, "다소 신뢰할 수 있음" 또는 "다소 모순적임"과 같을 때 확률을 어떻게 조정하는지 보여주었습니다. 그들은 이 두 가지 업데이트 방식이 수학적 정의와 논리적 증명을 통해 동일함을 입증하였으며, 이를 통해 원시 숫자(raw numbers)의 관점에서 보든 논리적 규칙의 관점에서 보든 시스템이 일관성을 유지함을 보장했습니다.

또한 이 연구는 증거가 확실할 때 사용되는 '베이지안 업데이트(Bayesian update)'를 이 시스템이 어떻게 처리하는지 탐구했습니다. 연구진은 새로운 시스템이 기존의 고전적 방법들을 특수한 경우로서 자연스럽게 포함하고 있음을 보여주었습니다. 만약 정보가 완벽하게 신뢰할 수 있고 모순이 불가능하다면, 이 시스템은 우리가 익숙한 고전 논리와 똑같이 작동합니다. 하지만 정보가 복잡해지면, 시스템은 그 복잡성을 수용하기 위해 유연하게 대처합니다. 이는 새로운 프레임워크가 기존의 도구들을 대체하는 것이 아니라, 세상이 단순하기를 거부하는 상황들을 위해 기존 도구들을 일반화하여 더 강력한 도구 상자를 제공한다는 것을 의미합니다.

이 연구의 함의는 불확실한 데이터를 다루는 모든 분야에서 매우 중요합니다. 정보의 신뢰성을 진릿값과 함께 측정하는 엄격한 방법을 제공함으로써, 연구진은 우리는 모순을 마주하면서도 이성을 잃지 않을 수 있는 방법을 제시했습니다. 그들은 정보가 상충하고, 누락되었으며, 단순히 신뢰할 수 없다는 사실을 존중하는 확률의 수학적 이론을 만드는 것이 가능하다는 것을 보여주었습니다. 이것은 단순한 이론적 연습이 아닙니다. 이는 인간 지식의 복잡하고 모순적이며 신뢰할 수 없는 본질을 항해할 수 있는 인공지능을 구축하기 위한 필수적인 단계입니다. 논문은 이 프레임워크가 믿음 수정(belief revision) 시스템을 개선하는 데 어떻게 사용될 수 있는지, 즉 에이전트가 수신하는 증거의 질에 민감하게 반응하여 자신의 견해를 업데이트할 수 있도록 하는 방법을 설명하며 마무리됩니다.

결국, 이 연구는 불확실성에 대해 생각하는 더 정직한 방법을 제시합니다. 세상이 항상 흑백으로 나뉘어 있지 않으며, 우리의 지식이 종종 강력한 확신, 약한 추측, 그리고 명백한 모순의 조각들로 이루어져 있다는 점을 인정합니다. 이 모든 상태를 동시에 기술할 수 있는 수학적 언어를 만듦으로써, 저자들은 더 견고하고 유연한 증거의 논리적 토대를 마련했습니다. 그들의 작업은 우리가 그 가능성만큼이나 정밀하게 믿음의 신뢰성을 측정할 수 있음을 증명하며, 불완전한 세상 속에서 새로운 추론의 시대를 여는 문을 열어주었습니다.