[論文レビュー] Information vs. Uncertainty as the Foundation for a Science of Environmental Modeling

Grey Nearing, Hoshin V. Gupta|arXiv (Cornell University)|Apr 25, 2017

Hydrological Forecasting Using AI参考文献 35被引用数 4

ひとこと要約

この論文は、環境モデリングの基盤として不確実性の定量化ではなく情報理論を採用すべきだと主張し、モデルの不確実性を評価するのではなく、データにモデル改善に役立つ情報が含まれているかを評価する移行を提案する。仮説検定を情報量の増加に基づいて再定式化することで、古典的およびベイジアン検定における整合性の欠如を解消し、プロセスレベルの診断を可能にするとともに、環境科学における経験的学習の厳密な論理を確立する。

ABSTRACT

Information accounting provides a better foundation for hypothesis testing than does uncertainty quantification. A quantitative account of science is derived under this perspective that alleviates the need for epistemic bridge principles, solves the problem of ad hoc falsification criteria, and deals with verisimilitude by facilitating a general approach to process-level diagnostics. Our argument is that the well-known inconsistencies of both Bayesian and classical statistical hypothesis tests are due to the fact that probability theory is an insufficient logic of science. Information theory, as an extension of probability theory, is required to provide a complete logic on which to base quantitative theories of empirical learning. The organizing question in this case becomes not whether our theories or models are more or less true, or about how much uncertainty is associated with a particular model, but instead whether there is any information available from experimental data that might allow us to improve the model. This becomes a formal hypothesis test, provides a theory of model diagnostics, and suggests a new approach to building dynamical systems models.

研究の動機と目的

• 環境モデリングにおける古典的およびベイジアン仮説検定に内在する根本的な整合性の欠如を是正すること。
• 不確実性の定量化をモデル評価の基盤とするのではなく、情報会計に置き換えること。
• 経験的学習とモデル改善を支援する情報理論に基づく科学の論理を構築すること。
• モデル診断における恣意的な棄却基準や認識論的ブリッジ原理を排除すること。
• データの情報含量を用いて一般化可能でプロセスレベルのアプローチでモデルの性能を評価する方法を確立すること。

提案手法

• 情報理論を確率論の拡張として位置づけ、科学的推論の完全な論理を構築すること。
• モデル評価を、データにモデルの改善に役立つ情報が含まれているかを検証する形式的仮説検定として再定式化すること。
• 情報理論的指標（例：相互情報量）を用いて、データがモデルの精緻化にどの程度関連しているかを定量化すること。
• モデルの各構成要素における情報量の増加に基づく診断フレームワークを導入し、プロセスレベルの正確性を評価すること。
• 不確実性に基づく指標を情報に基づく診断に置き換えることで、モデルの学習可能性を評価すること。
• 動的システムモデリングにこのフレームワークを適用し、データを通じた段階的モデル改善を強調すること。

実験結果

リサーチクエスチョン

• RQ1 不確実性の定量化に依存せずに、環境モデリングにおける仮説検定を一貫的かつ厳密に行うにはどうすればよいか？
• RQ2 情報理論は、従来の統計的検定の認識論的および論理的整合性の欠如をどのように解消するか？
• RQ3 モデルの不確実性ではなく、データからの学習の有無によってモデルを評価できるか？
• RQ4 情報指標を用いて、環境モデル全体に一般化可能なプロセスレベルの診断をどのように実現できるか？
• RQ5 真実性や不確実性ではなく情報量の増加を優先する環境モデリングの科学の理論的基盤は何か？

主な発見

• 不確実性の定量化よりも、情報会計が仮説検定のより整合的な基盤を提供する。
• このアプローチにより、恣意的な棄却基準の必要性が情報量の増加に基づくものに置き換わる。
• モデルと観測値を結ぶために一般的に用いられる認識論的ブリッジ原理は、情報に基づくフレームワーク下ではもはや不要となる。
• 普遍的でプロセスレベルの診断アプローチによって、真実に近い性質（verisimilitude）の問題が解決される。
• 確率論のみに依存する古典的およびベイジアン仮説検定は、論理的に整合性がないことが示された。
• 情報理論が確率論を拡張することで、環境モデリングのための科学の完全な論理が成立する。