KOLAPS AKSIOMA

Gdje se Gaussova raspodjela lomi i svijet počinje

Gaussova raspodjela nije pogrešna.

To je model koji ostaje stabilan samo pod određenim strukturnim uvjetima.

Normalna distribucija prirodno nastaje u mnogim procesima agregacije i ostaje jedan od najmoćnijih alata u fizici, inženjerstvu i statistici.

Ali njegova stabilnost ovisi o nekoliko pretpostavki.

U pojednostavljenom obliku to uključuje:

1. Približna neovisnost — varijable ne utječu snažno jedna na drugu.

2. Stacionarnost — temeljni proces ne mijenja se značajno tijekom vremena.

3. Neutralno promatranje — mjerenje ne mijenja sustav.

4. Slaba povratna sprega — izlazi ne oblikuju snažno buduće ulaze.

5. Ograničen pomak — srednja vrijednost i varijanca ostaju približno stabilne.

Kad ti uvjeti vrijede, Gaussovi su modeli često točni i učinkoviti.

Međutim, kad nekoliko tih pretpostavki istodobno prestane vrijediti, Gaussov model može ostati lokalno koristan, a istodobno postati strukturno nestabilan na duljim vremenskim horizontima.

Sama Gaussova raspodjela nije pogrešna.

Problemi nastaju kad se modeli temeljeni na stabilnosti primjenjuju na sustave koji više ne zadovoljavaju njihove strukturne uvjete.

Zašto mnogi stvarni sustavi odstupaju od Gaussovih pretpostavki

Mnogi stvarni sustavi sadrže agente, promatrače, povratne sprege, prilagodbu ili učenje.

U takvim okruženjima:

• Varijable utječu jedna na drugu → neovisnost slabi.

• Ponašanje se razvija tijekom vremena → stacionarnost slabi.

• Mjerenje utječe na odluke → neutralnost promatrača se narušava.

• Djelovanja preoblikuju buduća stanja → javlja se povratna sprega.

• Mala se odstupanja nakupljaju → pojavljuje se otklon.

Ti uvjeti nisu rijetke anomalije.

To su uobičajena svojstva sustava koji uključuju interakciju, prilagodbu ili inteligenciju.

Na kratkim horizontima Gaussove aproksimacije još mogu funkcionirati.

Na duljim vremenskim horizontima strukturni pomak počinje preoblikovati distribuciju.

Odstupanje kao strukturno svojstvo ugrađenih sustava

Pomak se često tumačio kao šum, mjerna pogreška ili privremena fluktuacija.

Ali u ugrađenim sustavima situacija je drukčija.

Promatrači utječu na sustav.

Sustav reagira na to što ga se promatra.

Te se reakcije nakupljaju.

Zbog toga se i sama distribucija mijenja.

Otklon stoga nije uvijek slučajan.

Može biti prirodan ishod povratne sprege, prilagodbe i ugrađenog opažanja.

Dok god promatrač i sustav dijele isti okoliš, savršeno stabilne distribucije postaju sve krhkije na dugim vremenskim horizontima.

Kad se pomak nakuplja

Trajni otklon dovodi do:

• pomicanje srednjih vrijednosti

• promjenjive varijance

• asimetrične distribucije

• teški repovi

• pojačavanje ekstremnih događaja

Na dugim vremenskim horizontima mnogi stvarni sustavi kreću se prema asimetričnim distribucijama, ponašanju s dugim repom ili režimima nalik zakonu potencije.

U takvim sustavima ekstremni događaji više nisu anomalije.

Postaju strukturna obilježja sustava.

RCC i strukturno odstupanje

RCC (ograničenja rekurzivnog kolapsa) ne stvara pomak.

Objašnjava zašto pomak prirodno nastaje u ugrađenim sustavima.

Četiri strukturna mehanizma osobito su važna.

Ugrađenost

Promatrač je dio sustava. Promatranje mijenja ponašanje, slabeći pretpostavku neutralnog mjerenja.

Djelomičan unutarnji pristup

Nijedan agent ne može u potpunosti promatrati cjelokupno unutarnje stanje sustava. Pojavljuju se skrivene ovisnosti, zbog čega je strogu neovisnost teško održati.

Postupna aproksimacija

Stvarni sustavi ažuriraju se postupno. Male aproksimacijske pogreške akumuliraju se tijekom vremena.

Nakupljanje povratnih informacija

Djelovanja stvaraju reakcije, a te reakcije oblikuju buduća djelovanja, postupno narušavajući stacionarnost.

Iz perspektive RCC-a, pomak nije tek član pogreške.

To je strukturni potpis ugrađenih, prilagodljivih sustava.

Svaki sustav koji uključuje interakciju, učenje ili inteligenciju obično će pokazivati neki oblik dugoročnog pomaka.

Zašto je gausovsko mišljenje povijesno prevladavalo

Gaussovi modeli matematički su elegantni, analitički rješivi, računalno učinkoviti i vizualno intuitivni.

Za mnoge sustave—osobito one sa slabom povratnom spregom i kratkim vremenskim horizontima—ti modeli funkcioniraju iznimno dobro.

Međutim, kada sustavi sadrže snažne povratne sprege, prilagodbu i interakciju, pretpostavke utemeljene na stabilnosti postupno slabe.

To može dovesti do:

• podcjenjivanje rizika u repu distribucije

• pogrešno vrednovanje ekstremnih događaja

• pretjerano pouzdanje u stabilnost

• pogrešno razvrstavanje strukturnog drifta kao slučajnog šuma

Problem nikad nije bila sama Gaussova distribucija.

Problem je bio u primjeni modela temeljenog na stabilnosti na sustave koje u osnovi oblikuju povratna sprega i prilagodba.

Završni sažetak

• Gaussovi modeli ostaju lokalno valjani i često optimalni.

• Ugrađeni, prilagodljivi sustavi prirodno stvaraju pomak.

• Kako se pomak nakuplja, Gaussova simetrija slabi i pojavljuju se teški repovi.

• RCC objašnjava zašto se takav pomak ne može potpuno ukloniti u ugrađenim sustavima.

Gaussova raspodjela bila je idealizirani prikaz.

Stvarnost — s pomakom, povratnom spregom i ugrađenim promatračima —

jest struktura u podlozi.