[论文解读] 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 0

一句话总结

该论文证明 Epistemic Support-Point Filter (ESPF) 在 possibilistic minimax-entropy 标准下，是在 epistemically admissible、仅用证据的滤波器中唯一的最优递归估计器，将 Jaynesian 最大熵与 Popperian 证伪统一起来。

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.

研究动机与目标

• 提出两阶段的认识论：在测量前快速接受无知，在测量后仔细进行证伪。
• 定义并说明 minimax entropy 标准作为仅证据的生存者选择的正确目标。
• 证明 possibilistic entropy 分解为一个支持项与一个梯度项，且 ESPF 同时最小化两者。
• 证明 ESPF 在 epistemically admissible 的仅证据滤波器族中唯一最优。
• 将 Kalman 滤波器作为 ESPF 的高斯极限并通过数值实验进行验证。

提出的方法

• 定义可能性分布、alpha-cut 与 possibilistic entropy H_pi 作为对数 V_alpha 在 alpha 上的积分。
• 给出 Epistemically Admissible Filters 并强制仅证据（无先验）生存者选择。
• 证明三个引理： possibilistic entropy 作为无知、Possibilistic Cramér–Rao 下界、以及带证据仅选择的极大极小熵。
• 证明主要定理：在 PCRB 下，ESPF 在证伪制下为 H_pi 的唯一极小化解，且 Kalman 作为高斯极限。
• 通过使用 Smolyak 级别的运行和 Epistemic Width Monitor (EWM) 诊断集合提供数值验证。

实验结果

研究问题

• RQ1 一个仅使用证据（无先验）的递归估计器是否能够在 possibilistic entropy 下实现对无知的极小化最优收敛？
• RQ2 在 epistemically admissible 的仅证据滤波器类别中，ESPF 是否是唯一的最优生存者选择规则？
• RQ3 在 possibilistic 框架中，ESPF 与 Kalman 滤波器作为高斯极限之间有何关系？
• RQ4 哪些诊断指标（如 MVEE、EWM）能够指示从证伪到扩散的 regime 转变？
• RQ5 将选择（基于证据）与熵界分离的理论与实务含义为何？

主要发现

• ESPF 在每一步测量中最小化最坏情况下的总体无知，实现在证伪制下的唯一最优性。
• possibilistic entropy H_pi 分解为一个支持项和一个梯度项，ESPF 同时最小化两者。
• 最小 q、仅证据生存者选择在可接受类别内使 ESPF 成为 H_pi 的唯一极小化解。
• Kalman 滤波器在 ESPF 的最优性准则下作为高斯极限出现。
• 数值验证显示 regime 诊断：必要性饱和与惊异度上升指示模型与现实的偏离，基于 MVEE 的阈值阐明 regime 边界。