The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

Each language version is independently generated for its own context, not a direct translation.

Dit is een fascinerend artikel over een slimme manier om onzekerheid te managen in complexe systemen (zoals het volgen van een satelliet). De auteur, Moriba Kemessia Jah, presenteert een nieuwe "filter" genaamd ESPF.

Hier is een uitleg in gewoon Nederlands, met behulp van alledaagse metaforen.

Het Grote Idee: Twee Filosofieën, Één Regel

Stel je voor dat je een detective bent die een dader probeert te vinden. Je hebt twee grote regels in je hoofd:

De "Jaynes-regel" (Voor de meting): Als je niets weet, ga dan uit van het maximale onwetend zijn. Denk aan alle mogelijke locaties waar de dader zou kunnen zijn. Verspreid je vermoedens zo breed mogelijk, zolang ze maar logisch zijn.
- Metafoor: Je gooit een enorm, wazig net in de oceaan. Je weet niet waar de vis zit, dus je dekt een groot gebied af.
De "Popper-regel" (Na de meting): Als er nieuw bewijs komt (bijvoorbeeld een getuige), snoei je direct alles weg wat onmogelijk is. Je houdt alleen de hypotheses over die het bewijs niet hebben weerlegd.
- Metafoor: Je krijgt een foto van de dader. Alles wat op de foto niet lijkt, gooi je direct in de prullenbak. Je wordt streng en selectief.

Deze ESPF-filter combineert deze twee. Hij is snel om onwetendheid omarmen (het net wordt groot) en traag om zekerheid te claimen (hij gooit pas dingen weg als het bewijs het dwingt).

Hoe werkt het precies? (De Twee Fasen)

De filter werkt in een cyclus van twee stappen:

Stap 1: Het Uitbreiden (De "Jaynes-fase")
Tussen twee metingen door, als er geen nieuwe informatie is, laat de filter zijn "vermoedens" groeien. Omdat er ruis is in de wereld (bijvoorbeeld wind die een satelliet duwt), wordt het gebied waar de dader zou kunnen zijn, steeds groter.

Analogie: Je laat je net in de oceaan drijven. De stroming verspreidt het net. Je bent bereid om een heel groot gebied te bestrijken, omdat je niet wilt dat je dader ergens buiten je net belandt.

Stap 2: Het Inperken (De "Popper-fase")
Dan komt er een meting (een nieuwe foto). Nu kijkt de filter: "Welke van mijn vermoedens kloppen met deze foto?"

De filter houdt alleen de hypotheses over die passen bij de foto.
Hij kiest de "beste" overlevenden: degenen die het dichtst bij het bewijs liggen.
Hij gooit alles weg wat te ver weg zit.
Belangrijk: Hij doet dit puur op basis van het bewijs. Hij kijkt niet naar wat hij gisteren dacht. Hij laat zijn oude vooroordelen los.

Waarom is dit zo slim? (De "Race naar de bodem")

De paper waarschuwt voor een valkuil. Als je filter te veel kijkt naar wat hij vroeger dacht (zijn "voorkennis"), kan hij vastlopen in een race naar de bodem.

Analogie: Stel je voor dat je denkt dat de dader in het noorden zit. Zelfs als de foto laat zien dat hij in het zuiden is, blijft je filter zeggen: "Nee, hij is in het noorden, want gisteren dachten we dat." Uiteindelijk geloof je je eigen leugens en mis je de dader volledig.
De ESPF voorkomt dit door te zeggen: "Ik vertrouw mijn oude gedachten niet. Ik vertrouw alleen wat ik nu zie."

De Twee Werelden (Regimes)

De paper beschrijft twee situaties waarin de filter anders werkt:

De "Diffusie-wereld" (Alles is rustig): Als de metingen goed passen bij wat je verwacht, is het net groot en wazig. De filter is hier "vriendelijk" en laat veel ruimte voor onzekerheid. Hij zegt: "We weten het niet precies, maar we weten dat het ergens hier is."
De "Falsificatie-wereld" (Er is iets mis): Als de metingen heel erg afwijken van wat je verwacht (bijvoorbeeld een plotselinge manoeuvre of een defecte sensor), wordt de filter streng. Hij begint agressief te snoeien. Hij zegt: "Dit klopt niet! Alles wat niet past, weg!"

De "Epistemic Width Monitor" (De Alarmbellen)

De auteurs hebben een speciaal dashboard bedacht om te zien of de filter gezond is. Ze ontdekten iets verrassends:

Vaak denken we dat een filter "crasht" als hij heel snel alles weggooit.
Maar in deze paper zien ze dat de echte alarmbellen zijn: Noodzaak en Verrassing.
- Noodzaak: Wordt één specifiek vermoeden zo belangrijk dat het filter geen andere opties meer heeft? (Dat is gevaarlijk).
- Verrassing: Is de nieuwe meting zo raar dat het filter bijna niet meer weet wat hij moet doen?
Als deze waarden hoog zijn, weet je: "Er is iets mis met ons model van de realiteit," zelfs als de filter nog steeds lijkt te werken.

Wat betekent dit voor de "Kalman-filter"?

De beroemde Kalman-filter (die gebruikt wordt in GPS en ruimtevaart) is eigenlijk een speciale versie van deze nieuwe filter.

Als alles perfect lineair is en de fouten "normaal" verdeeld zijn (zoals een klokcurve), dan werkt de ESPF precies zoals de Kalman-filter.
Maar als de wereld chaotisch is, of als je niet zeker bent van de fouten, werkt de Kalman-filter niet meer goed. De ESPF blijft dan wel werken, omdat hij zich baseert op "mogelijkheden" in plaats van "kansen".

Conclusie in één zin

Deze paper bewijst wiskundig dat de slimste manier om met onzekerheid om te gaan, is om zo breed mogelijk te denken totdat het bewijs je dwingt om te kiezen, en dan alleen te kiezen op basis van het bewijs, zonder je oude gedachten te laten meespelen.

Kortom: Wees snel om te zeggen "Ik weet het niet", en traag om te zeggen "Ik weet het zeker." Dat is geen filosofie, maar een wiskundig bewezen waarheid.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification" in het Nederlands.

Titel: Het Epistemische Support-Point Filter: Jaynesiaanse Maximum Entropie ontmoet Popperiaanse Falsificatie

Auteur: Moriba Kemessia Jah, Ph.D.
Datum: 9 maart 2026

1. Het Probleem

De kern van recursieve staatsschatting (zoals in tracking-systemen) ligt in een fundamentele spanning tussen twee epistemologische principes:

Onwetendheid omarmen (Jaynesiaans): Als je iets niet weet, moet je de maximale entropie aannemen die consistent is met wat je wel weet. Je mag niets aannemen dat niet door bewijs is verdiend.
Zekerheid aannemen (Popperiaans): Als er bewijs arriveert, moet je elke hypothese elimineren die door dat bewijs wordt weerlegd.

Traditionele filters (zoals Bayesiaanse filters) integreren vaak een a priori verdeling, wat kan leiden tot het cumuleren van fouten als die a priori verdeling onbetrouwbaar is. Er bestaat geen eenduidige, wiskundig bewezen filterarchitectuur die deze twee principes synthetiseert zonder vooroordelen, en die specifiek is ontworpen om "worst-case" epistemische onwetendheid te minimaliseren in plaats van verwachte onzekerheid.

2. Methodologie: Het Epistemische Support-Point Filter (ESPF)

De ESPF is een recursieve schatter die werkt binnen de kaders van de mogelijkheidstheorie (possibility theory) in plaats van waarschijnlijkheidstheorie. De methode combineert twee fasen in elke recursiestap:

Fase 1: Propagatie (Jaynesiaans):
Voordat er een meting is, wordt de ondersteuningspuntenverdeling (support distribution) maximaal verspreid volgens de dynamica en procesruis. Dit vertegenwoordigt maximale onwetendheid binnen de bekende dynamische beperkingen.
Fase 2: Update (Popperiaans):
Na een meting worden hypotheses geëlimineerd op basis van alleen het bewijs. Hypothesen die onverenigbaar zijn met de meting worden verwijderd.
- Selectieregel: De filter selecteert de $N_{target}$ overlevende hypotheses met de kleinste "witgemaakte kwadratische innovatie" ( $q_k^{(i)}$ ).
- Toewijzing: De mogelijkheidswaarden ( $\pi$ ) worden niet uniform toegewezen, maar gebaseerd op de compatibiliteit met het bewijs ( $Comp_k^{(i)} = e^{-q_k^{(i)}/2}$ ).

De Optimale Criterium: Minimax-Entropie
De optimaliteit wordt gedefinieerd door het minimaliseren van de possibilistische entropie ( $H_\pi$ ), gedefinieerd als de integraal van de log-volume van $\alpha$ -sneden over alle niveaus. De ESPF minimaliseert de worst-case resterende onwetendheid (minimax entropie) binnen de klasse van "evidence-only" filters (filters die geen gebruik maken van de vorige prior voor de selectie van overlevenden).

3. Belangrijkste Bijdragen

A. Wiskundige Bewijzen en Lemmata

Het artikel presenteert drie kernlemmata die de optimaliteit van de ESPF bewijzen:

Possibilistische Entropie Lemma: Identificeert $H_\pi$ als de correcte functionaal voor onwetendheid. Deze decomposeert in een minimax-term (de log-volume van de buitenste $\alpha$ -snede, gerelateerd aan de Popperiaanse selectie) en een gradiënt-term (hoe scherp de mogelijkheid is geconcentreerd binnen de overlevende set, gerelateerd aan de toewijzing van $\pi$ ).
Possibilistische Cramér–Rao Bound (PCRB): Bepaalt een theoretische ondergrens voor hoe snel een epistemisch toelaatbaar filter $H_\pi$ kan reduceren per meting.
Evidence-Optimaliteit Lemma: Bewijst dat de ESPF's selectieregel (minimale $q_k$ ) en toewijzingsregel (compatibiliteit) de unieke minimizer zijn van $H_\pi$ binnen de klasse van filters die alleen op bewijs vertrouwen. Het toont aan dat het gebruik van de prior voor selectie leidt tot een "race-to-bottom" bias over meerdere stappen.

B. Twee Regimes

De filter opereert in twee distincte regimes, bepaald door de signatuur van $\log \det(\text{MVEE})$ (Minimum Volume Enclosing Ellipsoid):

Falsificatie-regime ( $\log \det < 0$ ): Het bewijs verkleint de ondersteuning. Hier geldt de Popperiaanse logica: selectie op basis van bewijs minimaliseert de ergste onwetendheid.
Diffusie-regime ( $\log \det \geq 0$ ): De ondersteuning is verspreid door procesruis. Hier geldt de Jaynesiaanse logica: maximale spreiding zonder onnodige verkleining.

C. Herwinning van de Kalman-filter

Het artikel bewijst dat de ESPF een strikte generalisatie is van de Kalman-filter. In de Gaussische limiet (lineaire systemen, Gaussische ruis) reduceert de ESPF exact tot de Kalman-filter, waarbij het minimaliseren van $H_\pi$ equivalent wordt aan het minimaliseren van de determinant van de covariantiematrix.

4. Resultaten en Numerieke Validatie

De theorie werd gevalideerd via een 2-daagse simulatie (877 stappen) met Smolyak-kwadratuur (Level 3, $M=10^6$ ondersteuningspunten) voor een LEO (Low Earth Orbit) tracking-scenario.

Nominale Run: De filter opereerde succesvol in het diffusie-regime. De "Epistemic Width Monitor" (EWM) toonde stationaire gedragingen, wat aangeeft dat de filter gezond is en geen modelmismatch ondervond.
Stress Run (Modelmismatch): Een scenario met een 10 m/s manoeuvre en een 20 m sensorbias.
- Verrassende bevinding: De filter ging niet over naar het klassieke falsificatie-regime ( $\log \det < 0$ ), zoals eerder werd verwacht. In plaats daarvan bleef het in een "hoge-uitdunning" Jaynesiaanse staat.
- Vroege Waarschuwingsindicatoren: De traditionele MVEE-regime-indicator faalde om de stress direct te signaleren. De EWM-diagnostiek (specifiek necessity en surprisal) toonde echter duidelijke signalen van epistemische stress:
  - Necessity steeg naar 1.0 (indicatie dat individuele punten noodzakelijk werden om de meting te verklaren).
  - Surprisal steeg met drie ordes van grootte.
- Dit bewijst dat multi-resolutie monitoring essentieel is voor het beoordelen van filtergezondheid onder realistische omstandigheden.

5. Betekenis en Conclusie

De paper stelt dat "snel onwetendheid omarmen en langzaam zekerheid aannemen" geen ontwerpphilosophie is, maar een wiskundig stelling.

Epistemische Defensibiliteit: De ESPF biedt een epistemisch verdedigbare recursie die niet afhankelijk is van onbetrouwbare a priori aannames.
Unieke Rol van de Gradiënt: Het artikel benadrukt dat het toewijzen van possibility-waarden op basis van bewijscompatibiliteit (in plaats van uniform toewijzen) cruciaal is voor optimaliteit; het minimaliseert de interne onwetendheid binnen de overlevende set.
Toepassingsgebied: Hoewel getest op orbitale tracking, is de Jaynesiaans-Popperiaanse synthese toepasbaar op elk inferentiesysteem dat een genormaliseerde possibility-verdeling beheert, waaronder kennisgrafieken, robuuste controllers en agentic AI-systemen.

Kortom, de ESPF is de unieke optimale filter die de "worst-case" epistemische onwetendheid minimaliseert door strikt te opereren volgens de principes van maximale spreiding bij onwetendheid en minimale verkleining bij bewijs.