머신러닝 인과 인공지능의 제약 조건으로서 단순성 원리의 필요성: 오컴 면도날의 재발견
The Role of the Simplicity Principle as a Constraint for Machine Learning Causal AI: Rediscovering Ockham’s (Occam's) Razor
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
데이터 마이닝 분야에서, 도밍고는 오컴의 면도날의 한 가지 개념을 비판하면서 단순성에 대한 대안으로 도메인 제약 조건들(Domain Constraints)을 주장한다. 필자는, 인과관계라는 도메인 제약 조건이 기능을 하려면 단순성 조건으로서 오컴의 면도날이 오히려 다시 필요하고 더욱 중요한 역할을 하고 있음을 보여준다. 필자는 단순성의 적용은 다양한 수준과 영역에서 다양한 방식으로 이루어져야 하며, 그 적용이 단순하지 않음을 보여준다. 2장에서는 단순성 원리로서 오컴의 면도날이 무엇인지에 주목한다. 3장에서는 단순성 원리에 대한 세 가지 정당화를 소개한다. 4장에서는 머신러닝 인공지능에서 데이터 과적합 문제가 무엇인지를 설명한다. 5장에서는 데이터 마이닝의 관점에서 도밍고가 제시한 오컴의 면도날에 대한 평가를, 6장에서는 도메인 제약 조건으로 인과 모형 이론의 특성을 소개한다. 7장에서는 인과 모형의 토대를 이루는 마코프 조건과 충실성 조건이 단순성 원리에 상응함을 주목한다. 8장에서는 인과 모형의 인과추론으로 최적합 인과 구조를 발견하는 데에 단순성 조건으로서 오컴의 면도날이 어떤 역할을 하는지를 논의한다.
Abstract
In the field of data mining, Domingo argues for Domain Constraints as an alternative to it while criticizing the second concept of Ockham's Razor. I argue against Domingo’s argument that Ockham's Razor, which is called the simplicity principle, is rather necessary and important for causality to implement as domain constraints. I show that simplicity must be applied at many different levels and in many different domains. In Chapter 2, I see what Ockham's Razor as a simplicity principle entails. In Chapter 3, I introduce three justifications for the simplicity principle. In Chapter 4, I introduce what problems the data over-fitting problem poses for machine learning AI. In Chapter 5, I notice that Domingo explicates Occam's Razor in two different concepts. In Chapter 6, I introduce causal model theory as a theory of domain constraints. In Chapter 7, I show that the Markov condition and the Faithfulness condition underlying causal models correspond to the simplicity principle. In Chapter 8, I show how Ockham's Razor leads us to discover and to infer the most optimally fitted data among many different causal structures.