コンテンツにスキップ

第5章第3節　不完全情報の論理 【基本】

学習目標

この節では、部分的・不確実な情報下での推論を扱う論理体系を学習します。具体的には、三値論理による無知の表現、部分情報の形式化、不確実性下での合理的推論、そして情報の価値と情報獲得戦略の理解を目標とします。

本節の概要

不完全性の諸相：情報の欠如、曖昧性、矛盾、不確実性など、様々な不完全性を統一的に扱う論理的枠組みを構築する。

三値・多値論理：真偽の二値を超えて「不明」「未定義」などの値を導入し、部分的知識を適切に表現する。

情報の動的獲得：どの情報を優先的に獲得すべきかという戦略的問題を、論理的・決定理論的に分析する。

前節で条件付き知識を学びましたが、この節では情報が不完全な状況での推論を探求します。現実世界では完全な情報を持つことは稀であり、部分的・不確実な情報から合理的な結論を導く能力が重要です。

5.3.1 不完全情報の分類

情報の欠如

最も基本的な不完全性は、単純に情報が欠けていることです。

未知の事実：ある命題\(\varphi\)について、その真偽を知らない状態。古典論理では\(\lnot K\varphi \land \lnot K\lnot\varphi\)として表現されますが、これは「知らない」ことを知っている状態であり、純粋な無知とは異なります。

部分的観測：全体像の一部しか観測できない状況。例えば、52枚のトランプから1枚引いたとき、そのカードの色は分かるがスートは分からない、といった状況です。

隠れた変数：システムの状態を完全に決定する変数の一部が観測不可能な場合。量子力学の隠れた変数理論や、経済学の私的情報などが例です。

曖昧性と不確定性

情報自体が明確でない場合もあります。

言語的曖昧性：「背が高い」「若い」などの曖昧な述語により、命題の真偽が不確定になります。ファジィ論理はこの種の曖昧性を扱います。

測定の不確実性：物理的測定には常に誤差が伴い、真の値は区間として しか特定できません。区間論理や粗集合理論がこれを扱います。

概念の不明確性：「ゲーム」「芸術」など、明確な定義を持たない概念により、分類が不確定になります。プロトタイプ理論やファミリー類似性の概念が関連します。

矛盾する情報

複数の情報源から矛盾する情報を得ることもあります。

証言の不一致：異なる証人が矛盾する証言をする場合、どちらを信じるべきか、あるいは両方を部分的に信じるべきかという問題が生じます。

理論の競合：科学において複数の理論が同じ現象を異なって説明する場合、理論選択や理論統合の問題が生じます。

パラドックス：自己言及的パラドックスや認識論的パラドックスは、一貫した情報集合の構築を困難にします。

動的な不完全性

時間とともに変化する不完全性もあります。

情報の陳腐化：過去の情報が現在も有効かどうか不明な場合。ニュース、株価、天気予報などは時間とともに信頼性が低下します。

予測の不確実性：未来に関する情報は本質的に不確実です。確率的予測、シナリオ分析、感度分析などが用いられます。

学習過程での過渡的無知：学習中は知識が不完全で、矛盾する信念を一時的に持つことがあります。

5.3.2 三値論理による形式化

Kleeneの三値論理

Stephen Kleeneによる三値論理は、「未定義」を扱います。

定義5.3.1 —— Kleeneの強三値論理

真理値：\(\{T, F, U\}\) - \(T\)：真（True） - \(F\)：偽（False）
- \(U\)：未定義（Undefined）

真理表：

\(\land\) T F U
T T F U
F F F F
U U F U
\(\lor\) T F U
T T T T
F T F U
U T U U
\(\lnot\)
T F
F T
U U

この論理では、未定義値が「伝播」します。部分的情報から得られる結論も部分的になります。

Łukasiewiczの三値論理

Jan Łukasiewiczによる三値論理は、「可能」を扱います。

定義5.3.2 —— Łukasiewiczの三値論理

真理値：\(\{1, \frac{1}{2}, 0\}\) - 1：真 - 1/2：不確定（可能） - 0：偽

演算： - \(\lnot x = 1 - x\) - \(x \land y = \min(x, y)\) - \(x \lor y = \max(x, y)\) - \(x \to y = \min(1, 1 - x + y)\)

この論理は、将来の偶然的事象など、現時点で真偽が確定していない命題を扱うのに適しています。

Belnap の四値論理

Nuel Belnapによる四値論理は、矛盾する情報も扱います。

定義5.3.3 —— Belnapの四値論理

真理値：\(\{T, F, N, B\}\) - \(T\)：真のみ（True only） - \(F\)：偽のみ（False only） - \(N\)：情報なし（None） - \(B\)：矛盾（Both）

情報順序：\(N \leq T \leq B\)、\(N \leq F \leq B\)

真理順序：\(F \leq N \leq T\)、\(F \leq B \leq T\)

この論理は、複数の情報源からの矛盾する情報を統合する際に有用です。

5.3.3 部分情報の構造

情報状態の表現

エージェントの部分的な情報状態を形式化します。

定義5.3.4 —— 情報状態

情報状態 \(\sigma \subseteq W\)： エージェントが可能と考える世界の集合

部分情報の順序：\(\sigma_1 \leq \sigma_2 \iff \sigma_1 \supseteq \sigma_2\) より多くの世界を排除するほど情報量が多い

完全情報：\(|\sigma| = 1\)（単一世界） 完全無知：\(\sigma = W\)（すべての世界が可能）

粗集合理論

Pawlakの粗集合理論は、識別不能性に基づく部分情報を扱います。

識別不能関係：属性集合\(A\)に関する識別不能性

\[IND(A) = \{(x, y) : \forall a \in A, a(x) = a(y)\}\]

下近似と上近似：

  • 下近似\(\underline{A}X\)：確実に\(X\)に属する要素
  • 上近似\(\overline{A}X\)：可能的に\(X\)に属する要素
  • 境界領域：\(\overline{A}X - \underline{A}X\)（不確定要素）

粗集合：\(( \underline{A}X, \overline{A}X)\)のペアとして集合を近似

可能性理論

Zadeh-Dubois-Pradeの可能性理論は、不確実性と不正確性を区別します。

可能性分布：\(\pi: W \to [0, 1]\) \(\pi(w)\)は世界\(w\)の可能性の度合い

可能性測度と必然性測度：

  • 可能性：\(\Pi(A) = \sup_{w \in A} \pi(w)\)
  • 必然性：\(N(A) = 1 - \Pi(\overline{A})\)

双対性：\(N(A) > 0 \implies \Pi(A) = 1\) 必然的なことは可能だが、逆は成り立たない

5.3.4 不確実性下での推論

デフォルト推論

通常成り立つが例外を許容する推論です。

定義5.3.5 —— デフォルト論理

デフォルト規則：

\[\frac{\alpha : \beta_1, ..., \beta_n}{\gamma}\]

「\(\alpha\)が成り立ち、\(\beta_i\)が矛盾しないなら、\(\gamma\)を結論する」

例：

[\frac{bird(x) : flies(x)}{flies(x)}] 「鳥なら、飛べることが矛盾しない限り、飛べると結論する」

非単調推論

情報の追加により以前の結論が撤回される推論です。

選好的含意：\(\varphi |～ \psi\) 「通常、\(\varphi\)なら\(\psi\)」

累積性：

\[\frac{\varphi |～ \psi \quad \varphi |～ \chi}{\varphi \land \psi |～ \chi}\]

慎重な単調性：

\[\frac{\varphi |～ \chi \quad \varphi |～ \psi}{\varphi \land \psi |～ \chi}\]

これらの性質により、合理的な非単調推論が特徴づけられます。

議論ベース推論

矛盾する情報から議論を構成し、評価します。

議論の構造：

  • 前提：情報の部分集合
  • 結論：前提から導かれる命題
  • 攻撃：議論間の矛盾関係

許容的意味論： 議論\(A\)が許容的 ⟺ \(A\)を攻撃するすべての議論を\(A\)が攻撃

選好的意味論： 最大の許容的集合を選択

5.3.5 情報獲得の戦略

情報の価値

どの情報を獲得すべきかを決定する理論です。

定義5.3.6 —— 情報価値

期待情報価値（Expected Value of Information）：

\[EVOI(Q) = \max_a \sum_q P(Q=q) U(a|Q=q) - \max_a EU(a)\]

質問\(Q\)の答えを知ることの期待効用増加

情報エントロピー：

\[H(X) = -\sum_x P(x) \log P(x)\]

不確実性の定量的尺度

質問の選択戦略

効率的な情報獲得のための質問選択です。

二分探索戦略： 可能性空間を半分に分割する質問を選択

\[Q^* = \arg\min_Q ||\{w : Q(w) = yes\}| - |\{w : Q(w) = no\}||\]

最大エントロピー削減： 答えによる エントロピー削減が最大の質問を選択

\[Q^* = \arg\max_Q [H(W) - \mathbb{E}[H(W|Q)]]\]

診断的質問選択： 仮説を最も効率的に検証/反証する質問を選択

探索と活用のトレードオフ

情報獲得と即座の意思決定のバランスです。

多腕バンディット問題：

  • 探索：新しい選択肢の情報を得る
  • 活用：現在の最良選択肢を選ぶ

Thompson サンプリング： 信念分布からサンプリングして行動選択

Upper Confidence Bound (UCB)：

[a^* = \arg\max_a [\mu_a + c\sqrt{\frac{\ln t}{n_a}}]] 期待値と不確実性ボーナスの和を最大化

5.3.6 不完全情報論理の応用

分散システムでの応用

ネットワーク上の部分情報を扱います。

知識の局所性： 各ノードは局所的情報のみ保持

\[K_i\varphi \text{ はノード}i\text{の局所情報から決まる}\]

ゴシッププロトコル： 部分情報を交換して全体像を構築

\[K_i\varphi \land communicate(i,j) \to K_j\varphi\]

コンセンサス問題： 不完全で possibly 矛盾する情報から合意形成

データベースでの Null 値処理

SQLの三値論理による NULL の扱いです。

NULL の意味論：

  • 値が存在しない（適用不可）
  • 値が不明（存在するが未知）
  • 値が未定（まだ決定されていない）

三値論理での評価： 

SELECT * FROM table 
WHERE column = value  -- NULL の場合 UNKNOWN
  AND other_column IS NOT NULL  -- NULL チェック

センサーフュージョン

複数センサーからの不確実情報の統合です。

Dempster-Shafer理論： 信念関数による証拠の結合

\[m_{1 \oplus 2}(A) = \frac{\sum_{B \cap C = A} m_1(B) \cdot m_2(C)}{1 - \sum_{B \cap C = \emptyset} m_1(B) \cdot m_2(C)}\]

カルマンフィルタ： ノイズを含む観測からの状態推定

\[x_{k|k} = x_{k|k-1} + K_k(z_k - Hx_{k|k-1})\]

医療診断での不確実性

不完全な症状情報からの診断推論です。

症状の部分観測： すべての検査を行えない/行わない状況

\[Symptoms_{observed} \subset Symptoms_{all}\]

診断の不確実性定量化： 

P(Disease | PartialSymptoms) = 
  Σ P(Disease | CompleteSymptoms) × P(CompleteSymptoms | PartialSymptoms)

追加検査の決定： 情報価値が検査コストを上回る検査を選択

\[Test^* = \arg\max_{test} [EVOI(test) - Cost(test)]\]

まとめ

この節では、不完全情報の論理を体系的に学習しました。重要なポイントは以下の通りです：

不完全情報には、情報の欠如、曖昧性、矛盾、動的変化など様々な形態があります。これらを統一的に扱う論理的枠組みが、現実世界の推論において不可欠です。

三値・四値論理により、「未定義」「不明」「矛盾」などの状態を形式的に表現できます。Kleene論理、Łukasiewicz論理、Belnap論理それぞれが異なる種類の不完全性を扱い、適切な選択が重要です。

部分情報の構造は、情報状態、粗集合、可能性理論などで形式化されます。情報の順序構造、識別不能性、可能性と必然性の区別により、部分的知識の豊かな表現が可能になります。

不確実性下での推論には、デフォルト推論、非単調推論、議論ベース推論などのアプローチがあります。例外を許容し、新情報により結論を修正する柔軟な推論が実現されます。

情報獲得の戦略は、情報価値理論により最適化できます。どの情報を優先的に獲得すべきか、探索と活用をどうバランスさせるかという問題に、理論的指針が与えられます。

不完全情報論理は、分散システム、データベース、センサーフュージョン、医療診断など、多様な分野で実用的価値を発揮します。現実世界の不確実性を適切に扱うための理論的基盤となります。

次節への展望

次の第4節「資源制約付き推論」では、計算資源や時間の制約下での推論を扱います。理想的な論理的全能性を緩和し、より現実的な推論モデルを構築する方法を学習します。

参考文献

  • Kleene, S. C. (1952). Introduction to Metamathematics. North-Holland.
  • Łukasiewicz, J. (1920). O logice trójwartościowej. Ruch Filozoficzny, 5, 170-171.
  • Belnap, N. D. (1977). A useful four-valued logic. In J. M. Dunn & G. Epstein (Eds.), Modern Uses of Multiple-Valued Logic (pp. 8-37). Reidel.
  • Pawlak, Z. (1982). Rough sets. International Journal of Computer & Information Sciences, 11(5), 341-356.
  • Dubois, D., & Prade, H. (1988). Possibility Theory. Plenum Press.
  • Reiter, R. (1980). A logic for default reasoning. Artificial Intelligence, 13(1-2), 81-132.
  • Dung, P. M. (1995). On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games. Artificial Intelligence, 77(2), 321-357.
  • Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
  • Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann.