Universal prediction

Bestaat er een universele methode van voorspelling?

Is een universele methode van voorspelling theoretisch mogelijk? Dat is de vraag waarover Tom Sterkenburg zich buigt in zijn proefschrift. Een voorspelmethode is universeel als deze altijd in staat is te leren van invoergegevens: als deze altijd in staat is gegevens over eerdere observaties door te trekken naar maximaal succesvolle voorspellingen over toekomstige observaties. De context van het  onderzoek is de bredere filosofische vraag naar de mogelijkheid van een formele specificatie van inductief of wetenschappelijk redeneren, een vraag die raakt aan hedendaagse speculatie over een volledig geautomatiseerde datagedreven wetenschap.

Meer bepaald onderzoekt Sterkenburg een specifieke wiskundige definitie van een universele voorspelmethode, die opgesteld werd in de begindagen van de kunstmatige intelligentie en die een directe lijn heeft naar moderne ontwikkelingen in machinaal leren. Deze definitie is in wezen een poging alle mogelijke voorspelalgoritmes samen te voegen. Een alternatieve interpretatie is dat deze definitie een formalisering geeft van het idee dat leren uit gegevens equivalent is aan het comprimeren ervan. In deze hoedanigheid wordt de definitie ook wel voorgesteld als een implementatie en zelfs een rechtvaardiging van Occams scheermes, het principe dat we moeten streven naar eenvoudige verklaringen.

De uitkomsten van het onderzoek zijn negatief. Sterkenburg toont aan dat de onderzochte definitie niet geïnterpreteerd kan worden als een universele voorspelmethode, zoals blijkt te volgen uit een wiskundig argument dat het juist bedoeld was te ontwijken. Bovendien laat hij zien dat de gesuggereerde rechtvaardiging van Occams scheermes niet opgaat, en beargumenteert hij dat de relevante notie van eenvoud als comprimeerbaarheid zelf problematisch is.

Proefschrift: http://hdl.handle.net/11370/075527b0-ef4e-473b-ba36-60a78f8de362