[논문 리뷰] Uncertain Inferences and Uncertain Conclusions

Jr. Henry E. Kyburg|arXiv (Cornell University)|2013. 02. 13.

Epistemology, Ethics, and Metaphysics참고 문헌 17인용 수 7

한 줄 요약

이 논문은 논리적 추론과 결론에서의 불확실성의 역할을 조사하며, 결론의 불확실성이 자연스럽고 필수적이라고 주장한다. 불확실성이 추론 규칙이 아니라 전제에 내재되도록 하는 프레임워크를 제안하며, 이는 추론의 연역적 타당성을 유지하지만 계산적으로 비효율적이고 인간의 추론 방식을 반영하지 못함을 보여주며, 따라서 탄력성과 효율성을 균형 있게 유지하기 위해 추론 과정에서 제어된 불확실성을 허용할 것을 주장한다.

ABSTRACT

Uncertainty may be taken to characterize inferences, their conclusions, their premises or all three. Under some treatments of uncertainty, the inferences itself is never characterized by uncertainty. We explore both the significance of uncertainty in the premises and in the conclusion of an argument that involves uncertainty. We argue that for uncertainty to characterize the conclusion of an inference is natural, but that there is an interplay between uncertainty in the premises and uncertainty in the procedure of argument itself. We show that it is possible in principle to incorporate all uncertainty in the premises, rendering uncertainty arguments deductively valid. But we then argue (1) that this does not reflect human argument, (2) that it is computationally costly, and (3) that the gain in simplicity obtained by allowing uncertainty inference can sometimes outweigh the loss of flexibility it entails.

연구 동기 및 목표

• 인공지능에서 논리적 추론의 타당성과 구조에 불확실성이 미치는 영향을 분석하는 것.
• 불확실성이 전제, 결론, 또는 추론 과정 자체에 기인해야 하는지 분석하는 것.
• 전제에만 불확실성을 모델링하는 것(연역적 타당성 유지)과 추론 절차에 불확실성을 허용하는 것 사이의 상충 관계를 평가하는 것.
• 전제에만 불확실성을 제한했을 때 발생하는 계산 비용과 인지적 비용을 평가하는 것.
• 유연성 손실에 비해 이득이 더 크면 추론 과정에서 불확실성을 허용하는 실용적 접근을 주장하는 것.

제안 방법

• 불확실성이 전제에만 국한되는 형식적 프레임워크를 제안하여 추론이 여전히 연역적으로 타당하도록 보장한다.
• 확률 이론을 사용하여 전제의 불확실성을 모델링하며, 전제가 확실하면 결론도 논리적으로 확실하게 간주한다.
• 이 접근이 추론 시스템에 미치는 영향을 계산 복잡도 측면에서 분석한다.
• 이 접근을 인간의 추론 방식과 대비하여 분석한다. 인간의 추론은 자연스럽게 추론 단계에서 불확실성을 포함한다.
• 불확실성이 전제에만 국한되었을 때 발생하는 계산 비용과 표현의 단순성 간의 상충 관계를 평가한다.
• 추론 과정에서 불확실성을 허용하면 엄밀한 타당성 손실이 있더라도 효율성과 인지적 타당성이 향상될 수 있다고 주장한다.

실험 결과

연구 질문

• RQ1 모든 불확실성이 전제에만 국한될 경우 논리적 추론이 여전히 연역적으로 타당한가?
• RQ2 불확실성이 전제에만 국한되었을 때 인공지능 시스템의 추론 비용에 어떤 영향을 미치는가?
• RQ3 전제에만 불확실성을 모델링하는 것이 실제 인간의 추론 과정을 어느 정도 반영하는가?
• RQ4 추론 과정 자체에 불확실성을 허용하는 데서 발생하는 이점과 상충 관계는 무엇인가?
• RQ5 불확실한 추론을 허용함으로써 얻는 탄력성이 엄밀한 타당성의 손실을 상쇄할 수 있는가?

주요 결과

• 모든 불확실성을 전제에만 국한하는 것은 논리적으로 가능하며, 이는 추론의 연역적 타당성을 유지한다.
• 이 접근은 특히 많은 불확실한 전제를 포함하는 복잡한 추론 체계에서 계산적으로 비효율적이다.
• 실제로 사람들은 자연스럽게 불확실한 추론을 적용하므로 인간의 추론 방식은 이 모델과 부합하지 않는다.
• 추론 과정에서 불확실성을 허용하면 상당한 계산적 절감과 더 높은 인지적 타당성이 달성될 수 있다.
• 불확실한 추론을 허용함으로써 얻는 탄력성과 효율성의 이점은 종종 엄밀한 연역적 타당성의 손실을 상쇄한다.
• 논문은 제어된 불확실성을 허용하는 균형 잡힌 접근이 엄격히 전제에만 불확실성을 제한하는 것보다 더 실용적이고 현실적인 것으로 결론 내린다.