🤖 AI

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

Dit artikel presenteert een maattheoretisch raamwerk dat aantoont hoe epistemische onzekerheid, gecodeerd als een mogelijkheidverdeling, door het verzamelen van bewijs convergeert naar een probabilistische representatie van intrinsieke stochasticiteit, waarbij wordt bewezen dat de ESPF-estimator, in tegenstelling tot de UKK, niet alleen nauwkeurig is maar ook epistemisch eerlijk door te laten zien wat het bewijs niet heeft uitgesloten.

Oorspronkelijke auteurs: Moriba Kemessia Jah

Gepubliceerd 2026-04-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Moriba Kemessia Jah

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Reis van "Misschien" naar "Bijna Zeker"

Een verhaal over hoe we onzekerheid meten en wanneer we mogen vertrouwen op onze berekeningen.

Stel je voor dat je in een groot, donker bos loopt. Je weet niet precies waar je bent, en je hebt geen kaart. Dit is de wereld van onwetendheid (epistemic uncertainty). Je kunt alleen zeggen: "Het is mogelijk dat ik hier ben, en mogelijk dat ik daar ben." Je hebt geen zekerheid, alleen een idee van wat plausibel is.

In de wiskunde noemen we dit possibiliteit. Het is een manier om te zeggen: "Dit kan, dat kan niet."

Maar stel nu dat je een zaklamp hebt en je begint te lopen. Je ziet bomen, je hoort vogels. Je verzamelt steeds meer informatie. Langzaam wordt het bos lichter. Je weet steeds beter waar je bent. Je kunt zeggen: "Ik ben waarschijnlijk hier, met een kans van 99%." Dit is de wereld van waarschijnlijkheid (probabiliteit).

Dit paper is een reisgids die precies uitlegt wanneer je van het donkere bos (possibiliteit) naar het verlichte pad (waarschijnlijkheid) mag overstappen, en hoe je dat veilig doet zonder jezelf te bedriegen.

1. Het Probleem: De Valstrik van Valse Zekerheid

Veel computersystemen (zoals die in zelfrijdende auto's of satellieten) doen alsof ze alles al weten. Ze gebruiken wiskunde die uitgaat van "toeval" (zoals een dobbelsteen gooien). Ze zeggen: "De kans dat de auto hier is, is 99%."

Maar wat als het probleem niet toeval is, maar onwetendheid? Wat als de auto een sensor heeft die kapot is, of als er een onbekende storm opkomt? Als je dan toch zegt "99% zekerheid", ben je te zelfverzekerd. Je bent alsof je in het donkere bos zegt: "Ik weet zeker dat er geen beren zijn," terwijl je ze gewoon niet kunt zien.

Dit paper zegt: Stop met doen alsof je alles weet. Gebruik eerst een systeem dat eerlijk is over wat je niet weet.

2. De Oplossing: De "Eerlijke" Filter (ESPF)

De auteur introduceert een nieuwe manier van rekenen, genaamd de ESPF (Epistemic Support-Point Filter).

De oude manier (UKF): Stel je voor dat je een bal hebt die je probeert te volgen. De oude methode tekent een klein, strak rondje om de bal. Als de bal even uit de hand springt (door een storing), denkt de computer: "Oh, dat was een foutje, ik ga gewoon weer door alsof het nooit gebeurd is." Het rondje wordt zo klein dat het bijna een punt is. De computer is stom stil over zijn eigen onwetendheid.
De nieuwe manier (ESPF): Deze methode tekent geen strak rondje, maar een wolk van mogelijke plekken. Als de bal uit de hand springt, ziet de computer: "Hé, mijn wolk wordt groot en onzeker! Er is iets vreemds aan de hand!"
- De nieuwe filter houdt een breedte bij (de Epistemic Width). Zolang die breedte groot is, zegt de computer: "Ik weet het nog niet zeker, ik blijf alert."
- Pas als de wolk heel klein wordt en de onzekerheid verdwijnt, zegt de computer: "Oké, nu weet ik het bijna zeker, dan kan ik overschakelen op de snelle, simpele methode."

3. De Metafoor van de "Gordijnen"

Stel je voor dat je een gordijn hebt dat je voor een raam hangt.

Possibiliteit (Het gordijn is dicht): Je ziet niets. Je kunt alleen zeggen: "Het kan buiten regenen, het kan zonnig zijn." Alles is mogelijk.
Het verzamelen van bewijs: Je trekt het gordijn een beetje open. Je ziet een glimp van blauwe lucht. Je kunt zeggen: "Het is waarschijnlijk zonnig, maar misschien is het nog een wolk."
De "Ineenstorting" (Epistemic Collapse): Als je het gordijn helemaal open trekt en je ziet duidelijk de zon, dan is de onzekerheid verdwenen. Je kunt nu zeggen: "Het is 100% zonnig."

Dit paper bewijst wiskundig hoe dat gordijn zich moet openen voordat je mag zeggen dat je zeker weet wat er gebeurt. Het geeft regels voor wanneer je het gordijn mag dichtdoen en je kunt vertrouwen op je "zekerheid".

4. Waarom is dit belangrijk? (Het Orbitale Voorbeeld)

De auteurs testten dit op satellieten die rond de aarde vliegen.

Scenario: Een satelliet moet een manoeuvre maken en krijgt een storing in zijn metingen.
De oude computer (UKF): Hij rekent door, maakt een fout, en herstelt zich. Maar hij vertelt niemand dat hij in paniek was. Zijn "zekerheidsmeter" blijft gewoon laag en rustig. Hij is onwetend over zijn eigen onwetendheid.
De nieuwe computer (ESPF): Hij merkt de storing op. Zijn "breedte-meter" schiet omhoog. Hij waarschuwt: "Pas op! Er is iets mis! Ik ben niet zeker!" Zelfs nadat de satelliet weer veilig is, houdt de nieuwe computer een herinnering vast: "We waren even in de problemen."

Het resultaat: Beide computers vinden uiteindelijk dezelfde positie van de satelliet (beide zijn nauwkeurig). Maar de nieuwe computer is eerlijker. Hij vertelt je niet alleen waar de satelliet is, maar ook hoe zeker hij daarover is.

5. De Grote Leerervaring: Eerlijkheid vs. Stilte

De kernboodschap van dit paper is:

Wiskundige zekerheid is geen geschenk, het is een verdienste.

Je mag pas zeggen "Ik weet het zeker" als je genoeg bewijs hebt verzameld om de onzekerheid op te lossen.

Als je te vroeg zegt "Ik weet het zeker", ben je epistemisch stil (je zwijgt over je risico's).
Als je wacht tot je het echt weet, ben je epistemisch eerlijk.

Samenvatting in één zin

Dit paper leert computers hoe ze eerst moeten twijfelen en hun onzekerheid moeten meten (met een "breedte-meter"), en pas daarna mogen overstappen op snelle, zekere berekeningen, zodat ze nooit doen alsof ze weten wat ze eigenlijk niet weten.

Het is een gids voor intelligentie met nederigheid: weet wat je weet, maar wees ook eerlijk over wat je niet weet.

Titel en Context

Titel: De Geometrie van Weten: Van Possibilistische Onwetendheid naar Probabilistische Zekerheid
Auteur: Moriba Kemessia Jah, Ph.D. (Black Swan Research Group & Universiteit van Texas at Austin)
Datum: April 2026
Kernthema: Een maattheoretisch raamwerk dat de overgang formaliseert van possibilistische redenering (onvolledige kennis) naar probabilistische inferentie (intrinsieke stochasticiteit).

1. Het Probleem

In systemen voor informatiefusie (zoals sensornetwerken of orbitale tracking) wordt onzekerheid vaak onterecht als puur "aleatorisch" (toevallig) behandeld, terwijl deze vaak "epistemisch" (vanwege onwetendheid, modelonvolledigheid of tegenstrijdige bewijzen) is.

Het dilemma: Klassieke Bayesiaanse inferentie en filters zoals de Unscented Kalman Filter (UKF) veronderstellen dat alle onzekerheid aleatorisch is en dat het universum van discours volledig is. Dit leidt tot epistemische overmoed: filters geven een hoge precisie (kleine covariantie) terwijl het onderliggende model onvolledig is.
Het gevolg: Systemen verliezen hun vermogen om te signaleren wanneer ze buiten hun modelassumpties opereren ("epistemische stilte"). Ze kunnen grote afwijkingen absorberen zonder interne waarschuwingssignalen te genereren.

2. Methodologie en Theoretisch Raamwerk

De auteur ontwikkelt een unificerend raamwerk gebaseerd op de maattheorie om de grens tussen epistemische en aleatorische onzekerheid meetbaar te maken.

Possibilistische Representatie: Onvolledige kennis wordt gecodeerd als een genormaliseerde, bovenste-halfcontinuïteit-possibiliteitsverdeling $\pi: X \to [0,1]$ . Dit definieert een credale set $P_\pi$ (de verzameling van alle waarschijnlijkheden die consistent zijn met de huidige bewijzen), begrensd door de mogelijkheid $\Pi$ en de noodzaak $N$ .
Choquet-integratie: In plaats van de Lebesgue-integraal (gebruikt in de kansrekening), wordt de Choquet-integraal gebruikt om verwachtingen over de credale set te berekenen.
Epistemische Ineenstorting (Epistemic Collapse): De kerntheorie stelt dat wanneer bewijs zich ophoopt, de credale set krimpt. De overgang naar probabilistisch redeneren vindt plaats wanneer $\Pi(A) = N(A) = P^*(A)$ voor alle gebeurtenissen $A$ . Op dat moment convergeert de Choquet-integraal naar de Lebesgue-integraal over een unieke dichtheid $p^*$ .
Epistemische Breedte ( $W$ ): Een nieuwe maatstaf wordt geïntroduceerd: $W = \int_X (\pi - n) d\mu$ $W = \int_{X} (π - n) d μ$ .
- $W$ kwantificeert de "grootte" van de onwetendheid.
- $W=0$ betekent volledige epistemische sluiting (alleen aleatorische onzekerheid over).
- $W > 0$ impliceert dat er nog steeds epistemische onzekerheid is.
Online Schatting: Om de circulariteit op te lossen (dat je $\pi$ nodig hebt om $W$ te berekenen, maar $\pi$ pas hebt als je al in het possibilistische regime zit), wordt een proxy-schatting $\tilde{W}_t$ ontwikkeld. Deze is gebaseerd op de Normalized Estimation Error Squared (NEES) van een probabilistische filter (UKF). Een hoge NEES wijst op modelmismatch en fungeert als signaal voor resterende epistemische breedte.

3. Belangrijkste Bijdragen

Strenge Convergentiestelling (Theorema 4.5):
De auteur bewijst wiskundig dat onder specifieke voorwaarden (consonantie, krimp van de credale set, $L^1$ -convergentie en dominantie) de possibilistische redenering convergeert naar probabilistische redenering. Dit sluit de Choquet-integraal aan op de Lebesgue-integraal.
Formalisatie van de UKF-ESPF Relatie (Theorema 9.1):
Er wordt bewezen dat de Unscented Kalman Filter (UKF) de Gaussische limiet is van de Epistemic Support-Point Filter (ESPF).
- De UKF is niet een "degeneratie" van de ESPF, maar een optimale oplossing voor een specifiek probleem (minimale kwadratische fout onder Gaussische aannames).
- De ESPF is de optimale oplossing voor een ander probleem (minimale maximale entropie onder compatibiliteitsbeperkingen).
- Ze komen samen wanneer de wereld Gaussisch is en het model geldig is.
Adaptieve Schakelalgoritme (Algorithm 1):
Een volledig algoritme wordt gepresenteerd dat dynamisch schakelt tussen probabilistisch (UKF) en possibilistisch (ESPF) filteren, gebaseerd op de geschatte epistemische breedte $\tilde{W}_t$ en een risicotolerantie-drempel ( $W_{crit}$ ).
Hölder-Middelpunt Continuüm:
Een conceptuele brug wordt gelegd tussen additieve (probabilistische) en maxitieve (possibilistische) aggregatie via de Hölder-middelen, waarbij $\alpha=1$ overeenkomt met probabiliteit en $\alpha \to \infty$ met possibiliteit.

4. Empirische Resultaten

De theorie wordt getest in een orbitale tracking-scenario (2 dagen, 877 stappen) met een Smolyak Level-3 rooster, inclusief een geïntroduceerde manoeuvre en een range-bias (modelmismatch).

Nauwkeurigheid: Beide filters (UKF en ESPF) bereiken vergelijkbare eindnauwkeurigheid (ongeveer 1 meter RIC-fout).
Epistemische Stilte vs. Eerlijkheid:
- UKF: Na de stress (manoeuvre) keert de UKF terug naar een zeer kleine covariantie ( $\log \det P \approx -140$ ) en toont geen intern signaal dat er een kilometer-grote afwijking heeft plaatsgevonden. Het is "epistemisch stil". Bovendien vertoont het in de normale modus overmoed (NIS-waarden die de 95%-grens overschrijden).
- ESPF: Behoudt een hoge epistemische breedte ( $W_{ep} \approx 0.8$ ) gedurende de hele run. Het signaleert stress vroeger via "necessity saturation" en "surprisal escalation". Na de recovery behoudt het een "geheugen" van de stress in de support-geometrie en geeft het geen valse zekerheid.

5. Betekenis en Conclusie

Dit artikel biedt een fundamentele verschuiving in hoe we omgaan met onzekerheid in engineering en AI:

Epistemische Discipline: Waarschijnlijkheid moet niet als standaard worden aangenomen, maar alleen worden gebruikt wanneer de epistemische breedte $W$ onder een risicotolerantie-drempel is gedaald.
Van "Accuracy" naar "Honesty": Een filter kan nauwkeurig zijn maar toch misleidend (epistemisch stil). De ESPF is "epistemisch eerlijk" omdat het de onzekerheid van het model zelf rapporteert.
Operatieve Toepassing: Het raamwerk biedt een praktische methode om te bepalen wanneer een systeem moet overschakelen van een robuust, conservatief possibilistisch model naar een efficiënter probabilistisch model, en vice versa, gebaseerd op de kwaliteit van de beschikbare kennis in plaats van op aannames.

Kortom, de paper stelt dat possibility theory de ethische en epistemische voorloper is van probability theory in contexten van onvolledige modellen, en biedt de wiskundige gereedschappen om de overgang tussen beide rigoureus te beheersen.