KOLAPS AXIÓMY
Kde sa Gaussovo rozdelenie láme a svet sa začína
Gaussov model nie je nesprávny.
Je to model, ktorý zostáva stabilný len za určitých štrukturálnych podmienok.
Normálne rozdelenie prirodzene vzniká v mnohých agregačných procesoch a zostáva jedným z najsilnejších nástrojov fyziky, inžinierstva a štatistiky.
Jeho stabilita však závisí od viacerých predpokladov.
V zjednodušenej podobe sem patria:
Približná nezávislosť — premenné sa navzájom výrazne neovplyvňujú.
Stacionarita — proces v pozadí sa v čase výrazne nemení.
Neutrálne pozorovanie — meranie nemení systém.
Slabá spätná väzba — výstupy výrazne neformujú budúce vstupy.
Obmedzený drift — priemer a rozptyl zostávajú približne stabilné.
Keď tieto podmienky platia, gaussovské modely sú často presné a efektívne.
Keď sa však niekoľko z týchto predpokladov naruší súčasne, Gaussov model môže zostať lokálne užitočný, no v dlhších časových horizontoch sa stať štrukturálne nestabilným.
Samotné Gaussovo rozdelenie nie je nepravdivé.
Problémy vznikajú, keď sa modely založené na stabilite aplikujú na systémy, ktoré už nespĺňajú ich štrukturálne podmienky.
Prečo sa mnohé reálne systémy odchyľujú od gaussovských predpokladov
Mnohé reálne systémy obsahujú agentov, pozorovateľov, spätnú väzbu, adaptáciu alebo učenie.
V takýchto prostrediach:
Premenné sa navzájom ovplyvňujú → nezávislosť slabne.
Správanie sa vyvíja v čase → stacionarita slabne.
Meranie ovplyvňuje rozhodnutia → neutralita pozorovateľa sa narúša.
Konanie pretvára budúce stavy → vzniká spätná väzba.
Malé odchýlky sa hromadia → objavuje sa drift.
Tieto podmienky nie sú zriedkavými anomáliami.
Sú to bežné vlastnosti systémov, ktoré obsahujú interakciu, adaptáciu alebo inteligenciu.
Na krátkych časových horizontoch môžu Gaussove aproximácie stále fungovať.
V dlhších časových horizontoch začína štrukturálny drift pretvárať rozdelenie.
Drift ako štrukturálna vlastnosť vnorených systémov
Drift sa často interpretoval ako šum, chyba merania alebo dočasná fluktuácia.
Vo vnorených systémoch je však situácia odlišná.
Pozorovatelia ovplyvňujú systém.
Systém reaguje na to, že je pozorovaný.
Tieto reakcie sa hromadia.
V dôsledku toho sa vyvíja samotné rozdelenie.
Drift preto nie je vždy náhodný.
Môže byť prirodzeným výsledkom spätnej väzby, adaptácie a vnoreného pozorovania.
Pokiaľ pozorovateľ a systém zdieľajú to isté prostredie, dokonale stabilné rozdelenia sú v dlhých časových horizontoch čoraz krehkejšie.
Keď sa posun hromadí
Pretrvávajúci drift vedie k:
posúvajúce sa stredné hodnoty
meniace sa rozptyly
asymetrické rozdelenia
ťažké chvosty
zosilňovanie extrémnych udalostí
V dlhých časových horizontoch mnohé reálne systémy smerujú k šikmým rozdeleniam, správaniu s dlhými chvostmi alebo režimom podobným mocninovému zákonu.
V takýchto systémoch už extrémne udalosti nie sú anomáliami.
Stávajú sa štrukturálnymi črtami systému.
RCC a štruktúrny drift
RCC (obmedzenia rekurzívneho kolapsu) nevytvára drift.
Vysvetľuje, prečo drift prirodzene vzniká vo vnorených systémoch.
Obzvlášť dôležité sú štyri štrukturálne mechanizmy.
Vnorenosť
Pozorovateľ je súčasťou systému. Pozorovanie mení správanie, čím oslabuje predpoklad neutrálneho merania.
Čiastočný vnútorný prístup
Žiadny agent nemôže úplne pozorovať celý vnútorný stav systému. Objavujú sa skryté závislosti, ktoré sťažujú zachovanie striktnej nezávislosti.
Postupná aproximácia
Reálne systémy sa aktualizujú postupne. Malé aproximačné chyby sa časom hromadia.
Hromadenie spätnej väzby
Konanie vyvoláva reakcie a tieto reakcie formujú budúce konanie, čím postupne narúšajú stacionaritu.
Z pohľadu RCC drift nie je iba chybový člen.
Je to štrukturálny znak vnorených, adaptívnych systémov.
Každý systém zahŕňajúci interakciu, učenie alebo inteligenciu bude spravidla vykazovať istú formu driftu v dlhom časovom horizonte.
Prečo historicky prevládalo gaussovské myslenie
Gaussovské modely sú matematicky elegantné, analyticky riešiteľné, výpočtovo efektívne a vizuálne intuitívne.
Pri mnohých systémoch — najmä tých so slabou spätnou väzbou a krátkymi časovými horizontmi — fungujú tieto modely mimoriadne dobre.
Keď však systémy obsahujú silnú spätnú väzbu, adaptáciu a interakciu, predpoklady založené na stabilite postupne slabnú.
To môže viesť k:
podceňovanie rizika v chvostoch rozdelenia
nesprávne oceňovanie extrémnych udalostí
prehnaná dôvera v stabilitu
nesprávna klasifikácia štrukturálneho driftu ako náhodného šumu
Problémom nikdy nebolo samotné Gaussovo rozdelenie.
Problémom bolo použitie modelu založeného na stabilite na systémy zásadne formované spätnou väzbou a adaptáciou.
Záverečný súhrn
Gaussovské modely zostávajú lokálne platné a často optimálne.
Vnorené, adaptívne systémy prirodzene vytvárajú drift.
S narastajúcim driftom slabne gaussovská symetria a vznikajú ťažké chvosty rozdelenia.
RCC vysvetľuje, prečo sa takýto drift vo vnorených systémoch nedá úplne odstrániť.
Gaussovo rozdelenie bolo idealizovaným vykreslením.
Realita — s driftom, spätnou väzbou a vnorenými pozorovateľmi —
je podkladovou štruktúrou.