[論文レビュー] The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

Moriba Kemessia Jah|arXiv (Cornell University)|Mar 10, 2026

Target Tracking and Data Fusion in Sensor Networks被引用数 0

ひとこと要約

要旨: 本論文は、Epistemic Support-Point Filter（ESPF）が、 possibilistic minimax-entropy 規準の下で、証拠のみのフィルターのうち唯一の最適 recursive estimator であることを証明し、Jaynesian 最大エントロピーと Popperian 虚偽性を統一する。

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.

研究の動機と目的

• 観測前の無知を強く受け入れる迅速な二相 epistemology の動機付けと、測定後の慎重な虚偽性評価。
• 証拠のみの survivors 選択の正しい目的として minimax entropy 規準を定義・正当化。
• possibilistic entropy が minimax 成分と勾配成分に分解され、ESPF が両方を最小化することを示す。
• ESPF が証拠のみのフィルターの克服可能範囲で唯一の最適解であることを証明。
• Kalmanフィルターを ESPF のガウシアン極限として結び付け、数値実験で検証。

提案手法

• 可能性分布、alpha-cut、及び posibilistic entropy H_pi を alpha に対する log V_alpha の積分として定義。
• Epistemically Admissible Filters を定式化し、証拠のみ（事前情報なし） survivor 選択を強制。
• 三つの補題を証明: Possibilistic Entropy as Ignorance、Possibilistic Cramér–Rao Bound、Evidence-Only Selection による Minimax Entropy。
• 主定理を証明: PCRB の下で虚偽 regime における H_pi の唯一の最小化解として ESPF を示し、Kalman をガウス極限として位置付け。
• Smolyak レベルの実行と Epistemic Width Monitor (EWM) 診断スイートを用いた数値検証を提供。

実験結果

リサーチクエスチョン

• RQ1 証拠のみを用いる再帰推定量が、 possibilistic entropy の下で ignorant の minimax 最小化を達成できるか？
• RQ2 ESPF は、証拠のみのフィルターのクラス内で唯一の最適 survivor-selection ルールか？
• RQ3 ESPF は possiblilistic フレームワーク内でガウス極限として Kalman フィルターとどのように関連するか？
• RQ4 虚偽と拡散の regime shift を示す診断指標（例: MVEE、EWM）は何か？
• RQ5 選択（エビデンスに基づく）とエントロピー界の分離の理論的・実践的含意は何か？

主な発見

• ESPF は各測定ステップでの worst-case 統合的 ignorant を最小化し、虚偽 regime で唯一の最適性を達成。
• Possibilistic entropy H_pi は support term と gradient term に分解され、ESPF は両方を最小化。
• 最小-τ、証拠のみの survivor 選択が、 admissible クラス内で H_pi の唯一の最小化解となる。
• Kalman フィルターは ESPF の最適性基準のガウシアン極限として現れる。
• 数値検証は regime 診断を示し、モデルと現実の乖離を示す必須飽和と surprisal の上昇、MVEE ベースの閾値が regime の境界を明確化。