[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,243 @@
|
||||
id: wiki-2026-0508-epistemic-uncertainty
|
||||
title: Epistemic Uncertainty
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [UNCERT-001]
|
||||
aliases: [epistemic uncertainty, model uncertainty, reducible uncertainty, Bayesian DL, deep ensemble]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, probability, Statistics, epistemic-uncertainty, bayesian-Deep-Learning]
|
||||
confidence_score: 0.96
|
||||
verification_status: applied
|
||||
tags: [ai, probability, statistics, epistemic-uncertainty, bayesian, deep-learning, uncertainty]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: PyTorch / Pyro / NumPyro
|
||||
---
|
||||
|
||||
# Epistemic Uncertainty (인식적 불확실성)
|
||||
# Epistemic Uncertainty
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터가 부족해서 생기는 모델의 무지를 측정하고, 모른다는 것을 인정하게 하라" — 관측 데이터의 양이 충분하지 않아 모델의 파라미터를 정확히 추정할 수 없을 때 발생하는 불확실성으로, 추가적인 데이터를 통해 줄일 수 있는(Reducible) 불확실성.
|
||||
## 매 한 줄
|
||||
> **"매 reducible — 매 data ↑ 매 reduce"**. 매 vs aleatoric (irreducible noise). 매 ML / DL 의 핵심 개념. 매 Bayesian neural net, 매 deep ensemble, 매 MC dropout, 매 SWAG. 매 OOD / safety / AL critical.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 학습 데이터의 분포를 벗어난(OOD) 데이터가 입력되었을 때 모델의 출력값이 급격히 요동치는 현상을 감지하고, 이를 모델 성능의 한계로 인지하는 자가 진단 패턴.
|
||||
- **주요 특징:**
|
||||
- **Reducibility:** 더 많은 데이터를 수집하고 학습할수록 불확실성이 감소함.
|
||||
- **Bayesian Approach:** 가중치를 단일값이 아닌 확률 분포로 취급하여 불확실성 산출.
|
||||
- **[[Active Learning|Active Learning]]:** 인식적 불확실성이 높은 데이터를 선별하여 라벨링함으로써 학습 효율 극대화.
|
||||
- **의의:** 자율주행이나 의료 진단과 같이 안전이 중요한 분야에서, 모델이 확신할 수 없는 상황을 판단하여 인간에게 제어권을 넘기거나 경고를 주는 근거가 됨.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 모델의 출력을 절대적인 정답으로 믿던 시기에서, 모든 출력에는 불확실성이 동반됨을 인정하고 이를 관리하는 신뢰할 수 있는 AI(Trustworthy AI) 시대로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 답변 생성 시 인식적 불확실성을 체크하며, 확신도가 낮은 정보에 대해서는 "확인이 필요한 사실"임을 명시하도록 함.
|
||||
### 매 epistemic vs aleatoric
|
||||
- **Epistemic**: 매 model 의 부족 — 매 reducible.
|
||||
- **Aleatoric**: 매 data 의 noise — 매 irreducible.
|
||||
- **Total**: 매 sum.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Uncertainty-Quantification|Uncertainty-Quantification]], Bayesian-Inference, Active-Learning, [[Trustworthy-AI|Trustworthy-AI]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Epistemic-Uncertainty.md
|
||||
### 매 method
|
||||
- **Bayesian DL**: 매 weight posterior.
|
||||
- **Deep ensemble** (Lakshminarayanan): 매 N 모델.
|
||||
- **MC Dropout** (Gal & Ghahramani): 매 dropout at inference.
|
||||
- **SWAG** (Maddox): 매 SGD trajectory.
|
||||
- **Laplace approximation**.
|
||||
- **Variational inference**.
|
||||
- **Conformal prediction**: 매 distribution-free.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Active learning**: 매 uncertain → label.
|
||||
2. **OOD detection**: 매 epistemic ↑.
|
||||
3. **Safety-critical**: 매 abstain.
|
||||
4. **Bayesian opt**: 매 acquisition.
|
||||
5. **Reinforcement learning**: 매 exploration.
|
||||
6. **Medical / autonomous**: 매 reject low-conf.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 modern context
|
||||
- **LLM**: 매 token entropy + sampled response.
|
||||
- **Foundation model**: 매 calibration.
|
||||
- **Conformal**: 매 marginal coverage guarantee.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Deep ensemble
|
||||
```python
|
||||
import torch
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def train_ensemble(create_model, X, y, n=5):
|
||||
return [create_model().fit(X, y, seed=s) for s in range(n)]
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def ensemble_predict(models, x):
|
||||
preds = torch.stack([m(x) for m in models])
|
||||
mean = preds.mean(0)
|
||||
epistemic = preds.var(0) # 매 model disagreement
|
||||
return mean, epistemic
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### MC Dropout
|
||||
```python
|
||||
class MCDropoutNet(torch.nn.Module):
|
||||
def __init__(self, in_dim, hid, out_dim, p=0.2):
|
||||
super().__init__()
|
||||
self.fc1 = torch.nn.Linear(in_dim, hid)
|
||||
self.dropout = torch.nn.Dropout(p)
|
||||
self.fc2 = torch.nn.Linear(hid, out_dim)
|
||||
|
||||
def forward(self, x):
|
||||
return self.fc2(self.dropout(torch.relu(self.fc1(x))))
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def mc_predict(model, x, T=50):
|
||||
model.train() # 매 dropout active
|
||||
preds = torch.stack([model(x) for _ in range(T)])
|
||||
return preds.mean(0), preds.var(0)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Bayesian linear regression (Pyro)
|
||||
```python
|
||||
import pyro
|
||||
import pyro.distributions as dist
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
def bayesian_lin(X, y):
|
||||
w = pyro.sample('w', dist.Normal(torch.zeros(X.shape[1]), torch.ones(X.shape[1])).to_event(1))
|
||||
sigma = pyro.sample('sigma', dist.HalfNormal(1.0))
|
||||
with pyro.plate('data', len(X)):
|
||||
pyro.sample('obs', dist.Normal(X @ w, sigma), obs=y)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### SWAG (Maddox 2019)
|
||||
```python
|
||||
class SWAG:
|
||||
"""매 SGD iterates 의 Gaussian fit."""
|
||||
def __init__(self, model):
|
||||
self.mean = self._flatten(model)
|
||||
self.sq_mean = self._flatten(model) ** 2
|
||||
self.D = []
|
||||
self.K = 20 # 매 low-rank
|
||||
self.n = 0
|
||||
|
||||
def collect(self, model):
|
||||
flat = self._flatten(model)
|
||||
self.n += 1
|
||||
self.mean = (self.n - 1) / self.n * self.mean + flat / self.n
|
||||
self.sq_mean = (self.n - 1) / self.n * self.sq_mean + flat ** 2 / self.n
|
||||
if self.n > self.K:
|
||||
self.D.pop(0)
|
||||
self.D.append(flat - self.mean)
|
||||
|
||||
def sample(self):
|
||||
var = torch.relu(self.sq_mean - self.mean ** 2)
|
||||
z1 = torch.randn_like(self.mean) * torch.sqrt(var) / 2 ** 0.5
|
||||
D_mat = torch.stack(self.D)
|
||||
z2 = D_mat.T @ torch.randn(len(self.D)) / (2 * (self.K - 1)) ** 0.5
|
||||
return self.mean + z1 + z2
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Conformal prediction
|
||||
```python
|
||||
def conformal_interval(model, X_cal, y_cal, X_test, alpha=0.1):
|
||||
"""매 marginal coverage 1-alpha."""
|
||||
cal_preds = model.predict(X_cal)
|
||||
cal_residuals = np.abs(y_cal - cal_preds)
|
||||
q = np.quantile(cal_residuals, 1 - alpha, method='higher')
|
||||
|
||||
test_preds = model.predict(X_test)
|
||||
return test_preds - q, test_preds + q # 매 [lower, upper]
|
||||
```
|
||||
|
||||
### LLM token uncertainty
|
||||
```python
|
||||
def token_entropy(model, prompt, n_tokens=10):
|
||||
inputs = tokenizer(prompt, return_tensors='pt')
|
||||
with torch.no_grad():
|
||||
out = model(**inputs)
|
||||
logits = out.logits[0, -n_tokens:]
|
||||
probs = logits.softmax(-1)
|
||||
return -(probs * probs.clamp(min=1e-10).log()).sum(-1)
|
||||
```
|
||||
|
||||
### Active learning (uncertainty sampling)
|
||||
```python
|
||||
def active_learn(unlabeled, model, n_query=10):
|
||||
_, epistemic = ensemble_predict(model, unlabeled)
|
||||
most_uncertain = epistemic.argsort()[-n_query:]
|
||||
return unlabeled[most_uncertain]
|
||||
```
|
||||
|
||||
### OOD detection (Mahalanobis)
|
||||
```python
|
||||
def mahalanobis_score(test_features, train_features):
|
||||
mu = train_features.mean(0)
|
||||
cov = np.cov(train_features.T)
|
||||
inv = np.linalg.pinv(cov)
|
||||
diff = test_features - mu
|
||||
return np.sqrt(np.einsum('bi,ij,bj->b', diff, inv, diff))
|
||||
```
|
||||
|
||||
### Bayesian optimization (UCB)
|
||||
```python
|
||||
def ucb_acquisition(mean, std, kappa=2.0):
|
||||
return mean + kappa * std
|
||||
|
||||
def bayes_opt_step(gp, X_pool):
|
||||
mean, std = gp.predict(X_pool, return_std=True)
|
||||
return X_pool[ucb_acquisition(mean, std).argmax()]
|
||||
```
|
||||
|
||||
### Disagreement-based exploration (RL)
|
||||
```python
|
||||
def epistemic_bonus(ensemble_q_values, state, action):
|
||||
qs = [m(state)[action] for m in ensemble_q_values]
|
||||
return np.std(qs) # 매 disagreement = explore here
|
||||
```
|
||||
|
||||
### Calibration (temperature scaling)
|
||||
```python
|
||||
def temperature_scale(logits, T):
|
||||
return (logits / T).softmax(-1)
|
||||
|
||||
def fit_temperature(logits, labels):
|
||||
T = torch.tensor(1.0, requires_grad=True)
|
||||
optim = torch.optim.LBFGS([T])
|
||||
def closure():
|
||||
optim.zero_grad()
|
||||
loss = F.cross_entropy(logits / T, labels)
|
||||
loss.backward()
|
||||
return loss
|
||||
optim.step(closure)
|
||||
return T.item()
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Best practical | Deep ensemble (5x) |
|
||||
| Tight budget | MC Dropout |
|
||||
| Distribution-free | Conformal |
|
||||
| Bayesian rigor | Pyro / NumPyro VI |
|
||||
| LLM | Sampled responses + token entropy |
|
||||
| Active learning | Uncertainty sampling |
|
||||
| RL exploration | Ensemble disagreement |
|
||||
| Safety | Conformal + abstain |
|
||||
|
||||
**기본값**: 매 deep ensemble (5x) + 매 conformal calibration + 매 abstention threshold + 매 OOD detection.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Probability]] · [[Statistics]]
|
||||
- 변형: [[Aleatoric-Uncertainty]] · [[Bayesian-Deep-Learning]]
|
||||
- 응용: [[Active-Learning]] · [[OOD-Detection]] · [[Bayesian-Optimization]]
|
||||
- Adjacent: [[Conformal-Prediction]] · [[Calibration]] · [[Ensemble-Methods]] · [[Epistemology]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 safety-critical. 매 active learning. 매 OOD risk. 매 medical / AV.
|
||||
**언제 X**: 매 toy problem. 매 abundant data + simple task.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Confuse epistemic / aleatoric**: 매 reducibility 의 wrong.
|
||||
- **Single model 의 uncertainty 의 trust**: 매 ensemble 필요.
|
||||
- **No calibration**: 매 number 의 meaning X.
|
||||
- **High-confidence OOD**: 매 detect 의 fail.
|
||||
- **Conformal without exchangeability**: 매 coverage 의 lose.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Lakshminarayanan 2017, Gal 2016, Maddox SWAG, Vovk Conformal).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-26 | UNCERT auto |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — epi vs ale + 매 ensemble / MC dropout / SWAG / conformal / AL code |
|
||||
|
||||
Reference in New Issue
Block a user