[논문 리뷰] The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

Moriba Kemessia Jah|arXiv (Cornell University)|2026. 03. 10.

Target Tracking and Data Fusion in Sensor Networks인용 수 0

한 줄 요약

논문은 Epistemic Support-Point Filter (ESPF)가 possibilistic minimax-entropy 기준하에서 증거만 사용하는 필터들 중에서 유일하게 최적의 재귀 추정기임을 증명하고, Jaynesian maximum entropy와 Popperian falsification을 통합한다.

ABSTRACT

This paper proves that the Epistemic Support-Point Filter (ESPF) is the unique optimal recursive estimator within the class of epistemically admissible evidence-only filters. Where Bayesian filters minimize mean squared error and are driven toward an assumed truth, the ESPF minimizes maximum entropy and surfaces what has not been proven impossible -- a fundamentally different epistemic commitment with fundamentally different failure modes. Two results locate this theorem within the broader landscape of estimation theory. The first is a unification: the ESPF's optimality criterion is the log-geometric mean of the alpha-cut volume family in the Holder mean hierarchy. The Popperian minimax bound and the Kalman MMSE criterion occupy the p=+inf and p=0 positions on the same curve. Possibility and probability are not competing frameworks: they are the same ignorance functional evaluated under different alpha-cut geometries. The Kalman filter is the Gaussian specialization of the ESPF's optimality criterion, not a separate invention. The second result is a diagnostic: numerical validation over a 2-day, 877-step Smolyak Level-3 orbital tracking run shows that possibilistic stress manifests through necessity saturation and surprisal escalation rather than MVEE sign change -- a direct consequence of the Holder ordering, not an empirical observation. Three lemmas establish the result: the Possibilistic Entropy Lemma decomposes the ignorance functional; the Possibilistic Cramer-Rao Bound limits entropy reduction per measurement; the Evidence-Optimality Lemma proves minimum-q selection is the unique minimizer and that any rule incorporating prior possibility risks race-to-bottom bias.

연구 동기 및 목표

• 측정 전에 무지를 신속히 수용하고 측정 후 신중한 반증을 촉진하는 두 단계의 인식론을 동기화한다.
• 증거만으로의 생존자 선택에 대한 올바른 목표로서 minimax 엔트로피 기준을 정의하고 정당화한다.
• 가능성적 엔트로피가 minimax 항과 gradient 항으로 분해되고 ESPF가 두 항 모두를 최소화함을 보여준다.
• Epistemically admissible evidence-only filters 클래스 내에서 ESPF가 유일하게 최적임을 증명한다.
• Kalman 필터를 ESPF의 Gaussian 한계로 연결하고 수치 실험으로 검증한다.

제안 방법

• 가능성 분포, alpha-컷, 그리고 H_pi를 log V_alpha를 alpha에 대해 적분한 것으로 정의한다.
• Epistemically Admissible Filters를 공식화하고 증거만(사전 없음) 생존자 선택을 강제한다.
• Possibilistic Entropy as Ignorance, Possibilistic Cramér–Rao Bound, and Minimax Entropy with Evidence-Only Selection의 세 가지 보조 정리를 증명한다.
• 주요 정리: falsification regime에서 PCRB 하에서 H_pi의 유일한 최소화자이며, Kalman은 Gaussian 한계로 제시된다.
• Smolyak-level 실행과 Epistemic Width Monitor (EWM) 진단 도구를 사용한 수치 검증을 제공한다.

실험 결과

연구 질문

• RQ1 사전 정보 없이 증거만을 사용하는 재귀 추정기가 possibilistic entropy 하에서 ignorance의 minimax 최적 감소를 달성할 수 있는가?
• RQ2 Epistemically admissible evidence-only filters 클래스 내에서 ESPF가 유일하게 최적의 survivor-selection 규칙인가?
• RQ3 가능성적 프레임워크에서 Kalman 필터의 Gaussian 한계로서 ESPF의 관계는 무엇인가?
• RQ4 falsification과 diffusion 사이의 레짐 전이를 나타내는 진단 지표들(예: MVEE, EWM)은 무엇인가?
• RQ5 선택(증거 기반)과 엔트로피 경계의 분리에서의 이론적·실용적 시사점은 무엇인가?

주요 결과

• ESPF는 측정 단계당 최악의 경우의 일체화된 무지를 최소화하여 falsification regime에서 유일한 최적성을 달성한다.
• Possibilistic entropy H_pi가 지지 항과 기울기 용으로 분해되며, ESPF가 두 항 모두를 최소화한다.
• Minimum-q, 증거만 생존자 선택은 허용된 클래스 내에서 H_pi의 유일한 최소화자로 ESPF를 얻는다.
• Kalman 필터는 ESPF의 최적성 기준의 Gaussian 한계로 등장한다.
• 수치 검증은 필요성 포화와 놀람 증가를 통한 모델-현실 발산을 나타내는 레짐 진단 지표를 보여주며, MVEE 기반 한계치가 레짐 경계를 명확히 한다.