[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,118 +2,181 @@
|
||||
id: wiki-2026-0508-bayesian-inference
|
||||
title: Bayesian Inference
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [Bayesian Inference, Bayesian Statistics, Posterior Inference]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [statistics, ml, probabilistic, mcmc]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
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: pymc,numpyro,stan
|
||||
---
|
||||
|
||||
# Bayesian-Inference (베이지안 추론)
|
||||
# Bayesian Inference
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "믿음은 고정된 것이 아니라 정보에 따라 진화한다." 기존의 배경 지식(Prior)에 새로운 근거(Evidence)를 더해 더 정확한 진실(Posterior)에 다가가는 통계학적 통찰이다.
|
||||
## 매 한 줄
|
||||
> **"매 prior + likelihood = posterior — 매 belief 의 evidence 에 의해 의 update"**. Bayes 1763 의 origin, 20세기 frequentist 의 dominance, 2026 의 NumPyro/PyMC + GPU MCMC + variational inference 의 mainstream — 매 LLM uncertainty quantification 의 backbone.
|
||||
|
||||
---
|
||||
## 매 핵심
|
||||
|
||||
베이지안 추론(Bayesian Inference)은 베이즈 정리(Bayes' Theorem)를 바탕으로, 새로운 증거가 수집될 때마다 가설의 확률(신뢰도)을 지속적으로 갱신해 나가는 통계적 추론 방법론입니다 [1, 2]. 이는 지능 시스템이 불확실한 환경에서 점진적으로 학습하고 세계관을 수정해 나가는 핵심 원리입니다 [1].
|
||||
### 매 Bayes rule
|
||||
P(θ|D) = P(D|θ) P(θ) / P(D)
|
||||
- **P(θ)**: prior — 매 data 이전 의 belief.
|
||||
- **P(D|θ)**: likelihood — 매 model 의 data fit.
|
||||
- **P(θ|D)**: posterior — updated belief.
|
||||
- **P(D)**: evidence (marginal likelihood).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Prior Probability (사전 확률)**:
|
||||
- 새로운 데이터를 보기 전에 우리가 이미 알고 있는 지식이나 가설의 확률.
|
||||
- **Likelihood (우도)**:
|
||||
- 어떤 가설이 참일 때, 현재 관찰된 데이터가 나타날 확률.
|
||||
- **Posterior Probability (사후 확률)**:
|
||||
- 새로운 데이터를 반영한 후 업데이트된 우리의 최종 믿음.
|
||||
- **Application**:
|
||||
- 스팸 메일 필터링, 의료 진단, 자율주행 차의 센서 융합 등 불확실성이 큰 환경의 의사결정에 필수적이다.
|
||||
### 매 4 inference 방법
|
||||
- **Conjugate**: closed-form (Beta-Bernoulli · Gaussian-Gaussian).
|
||||
- **MCMC**: HMC · NUTS · Gibbs — exact (asymptotic) · slow.
|
||||
- **Variational (VI)**: posterior 의 simpler family 의 approximate — fast · biased.
|
||||
- **Sequential MC**: particle filter — 매 streaming · state-space.
|
||||
|
||||
---
|
||||
### 매 응용
|
||||
1. A/B test (Bayesian alternative 의 frequentist).
|
||||
2. Hierarchical model (분류 multi-level).
|
||||
3. ML calibration · uncertainty (BNN · Gaussian process).
|
||||
4. LLM logit calibration · RAG confidence.
|
||||
|
||||
* **베이지안 업데이트 (Bayesian Updating)**
|
||||
- **사전 확률 (Prior)**: 새로운 데이터를 관찰하기 전의 기존 신뢰도입니다 [1, 3].
|
||||
- **가능도 (Likelihood)**: 가설이 참일 때 관찰된 데이터가 나타날 확률입니다 [1].
|
||||
- **사후 확률 (Posterior)**: 새로운 증거를 반영하여 업데이트된 최종 신뢰도입니다 [1, 4].
|
||||
- 이 과정을 통해 시스템은 노이즈 섞인 데이터 하나에 일희일비하지 않고 전체적인 추세에 따라 점진적으로 지식을 수정합니다 [1, 5].
|
||||
## 💻 패턴
|
||||
|
||||
* **지능 시스템에서의 활용**
|
||||
- **능동적 학습 (Active Learning)**: 어떤 데이터가 사후 확률을 가장 크게 변화시킬지 판단하여 효율적으로 학습 대상을 선택합니다 [1].
|
||||
- **베이지안 뇌 가설 (Bayesian Brain Hypothesis)**: 인간의 뇌가 감각 정보를 능동적으로 처리하고 확률 분포를 통해 미래를 예측한다는 이론으로, 현대 AI 상황 판단 모듈 설계의 모티브가 됩니다 [1, 6].
|
||||
### NumPyro: Bayesian linear regression (NUTS)
|
||||
```python
|
||||
import numpyro
|
||||
import numpyro.distributions as dist
|
||||
from numpyro.infer import NUTS, MCMC
|
||||
import jax.numpy as jnp
|
||||
import jax.random as random
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 베이지안 추론은 '사전 확률'을 설정할 때 주관이 개입된다는 비판을 받기도 한다(빈도주의 통계학과의 논쟁). 하지만 데이터가 적은 초기 상태에서는 베이지만큼 강력한 예측 도구가 없다.
|
||||
def model(X, y=None):
|
||||
alpha = numpyro.sample("alpha", dist.Normal(0., 10.))
|
||||
beta = numpyro.sample("beta", dist.Normal(jnp.zeros(X.shape[1]), 1.))
|
||||
sigma = numpyro.sample("sigma", dist.HalfNormal(1.))
|
||||
mu = alpha + X @ beta
|
||||
numpyro.sample("obs", dist.Normal(mu, sigma), obs=y)
|
||||
|
||||
---
|
||||
|
||||
- **사전 확률의 주관성**: 초기 설정한 사전 확률(Prior)에 따라 결과가 달라질 수 있다는 비판이 있으나, 충분한 데이터가 쌓이면 사후 확률은 데이터의 본질에 수렴하게 됩니다 [1, 7].
|
||||
- **연산 복잡도**: 복잡한 모델에서 베이지안 적분을 직접 계산하는 것은 매우 어렵기 때문에, MCMC(Markov Chain Monte Carlo)나 변분 추론(Variational Inference)과 같은 근사 기법이 널리 사용됩니다 [1].
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Automated-Reasoning|Automated-Reasoning]] , [[Behavioral-Economics|Behavioral-Economics]]
|
||||
- Foundation: Computational Theory & Math/Information Theory
|
||||
|
||||
---
|
||||
|
||||
- **Related Topics**: 베이즈 정리 (Bayes' Theorem, 확률론 (Probability Theory), 능동적 학습 (Active Learning), 예측 코딩 (Predictive Coding
|
||||
- **Projects/Contexts**: Antigravity 상황 판단 엔진, 초개인화 추천 알고리즘
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-30*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 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
|
||||
mcmc = MCMC(NUTS(model), num_warmup=1000, num_samples=2000, num_chains=4)
|
||||
mcmc.run(random.PRNGKey(0), X, y)
|
||||
mcmc.print_summary()
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### PyMC: Bayesian A/B test (Beta-Bernoulli)
|
||||
```python
|
||||
import pymc as pm
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
with pm.Model():
|
||||
p_a = pm.Beta("p_a", alpha=1, beta=1)
|
||||
p_b = pm.Beta("p_b", alpha=1, beta=1)
|
||||
pm.Binomial("obs_a", n=n_a, p=p_a, observed=conv_a)
|
||||
pm.Binomial("obs_b", n=n_b, p=p_b, observed=conv_b)
|
||||
diff = pm.Deterministic("lift", p_b - p_a)
|
||||
idata = pm.sample(2000, tune=1000, chains=4)
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
prob_b_better = (idata.posterior["lift"] > 0).mean().item()
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Hierarchical model (varying intercept)
|
||||
```python
|
||||
def hierarchical(X, group_idx, y=None, n_groups=10):
|
||||
mu_a = numpyro.sample("mu_a", dist.Normal(0., 5.))
|
||||
sigma_a = numpyro.sample("sigma_a", dist.HalfNormal(1.))
|
||||
a = numpyro.sample("a", dist.Normal(mu_a, sigma_a).expand([n_groups]))
|
||||
beta = numpyro.sample("beta", dist.Normal(0., 1.))
|
||||
sigma = numpyro.sample("sigma", dist.HalfNormal(1.))
|
||||
mu = a[group_idx] + beta * X
|
||||
numpyro.sample("obs", dist.Normal(mu, sigma), obs=y)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Variational inference (SVI)
|
||||
```python
|
||||
from numpyro.infer import SVI, Trace_ELBO
|
||||
from numpyro.infer.autoguide import AutoNormal
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
guide = AutoNormal(model)
|
||||
svi = SVI(model, guide, numpyro.optim.Adam(1e-3), Trace_ELBO())
|
||||
state = svi.init(random.PRNGKey(0), X, y)
|
||||
|
||||
for i in range(2000):
|
||||
state, loss = svi.update(state, X, y)
|
||||
params = svi.get_params(state)
|
||||
```
|
||||
|
||||
### Conjugate update (Beta-Bernoulli online)
|
||||
```python
|
||||
class BetaBernoulli:
|
||||
def __init__(self, alpha=1, beta=1):
|
||||
self.alpha, self.beta = alpha, beta
|
||||
|
||||
def update(self, success: bool):
|
||||
self.alpha += int(success)
|
||||
self.beta += int(not success)
|
||||
|
||||
def mean(self): return self.alpha / (self.alpha + self.beta)
|
||||
def credible_interval(self, q=0.95):
|
||||
from scipy.stats import beta
|
||||
return beta.interval(q, self.alpha, self.beta)
|
||||
```
|
||||
|
||||
### Bayesian neural net (Pyro Bayesian layer)
|
||||
```python
|
||||
import torch
|
||||
import pyro
|
||||
import pyro.nn as pnn
|
||||
|
||||
class BNN(pnn.PyroModule):
|
||||
def __init__(self, in_d, out_d):
|
||||
super().__init__()
|
||||
self.linear = pnn.PyroModule[torch.nn.Linear](in_d, out_d)
|
||||
self.linear.weight = pnn.PyroSample(dist.Normal(0., 1.).expand([out_d, in_d]).to_event(2))
|
||||
self.linear.bias = pnn.PyroSample(dist.Normal(0., 1.).expand([out_d]).to_event(1))
|
||||
|
||||
def forward(self, x, y=None):
|
||||
mean = self.linear(x).squeeze(-1)
|
||||
with pyro.plate("data", x.shape[0]):
|
||||
pyro.sample("obs", dist.Normal(mean, 0.1), obs=y)
|
||||
return mean
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Method |
|
||||
|---|---|
|
||||
| Conjugate model · streaming | Conjugate update |
|
||||
| 매 small model · accurate posterior | NUTS/HMC |
|
||||
| Large data · fast approx | SVI · ADVI |
|
||||
| State-space · time-series | Particle filter |
|
||||
| Deep model · scale | BNN + variational · MC dropout |
|
||||
| 매 hyperparameter optimization | Gaussian process + acquisition |
|
||||
|
||||
**기본값**: NumPyro + NUTS — 매 GPU/JAX 의 fast.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Probability Theory]] · [[Statistical Inference]]
|
||||
- 변형: [[MCMC]] · [[Variational Inference]] · [[Empirical Bayes]]
|
||||
- 응용: [[Belief-System]] · [[Bayesian A/B Test]] · [[Bayesian Neural Network]]
|
||||
- Adjacent: [[Frequentist Inference]] · [[Causal Inference]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: model 의 prior · likelihood 의 spec 의 draft, posterior plot 의 interpret, NumPyro/PyMC code 의 generate.
|
||||
**언제 X**: 매 convergence diagnostic (R-hat · ESS · trace plot) — LLM 의 statistical judgment 의 unreliable, statistician 의 review 의 require.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Flat prior 의 always**: weak data + flat prior → unstable posterior. Weakly informative prior 의 use.
|
||||
- **No convergence check**: R-hat > 1.01 · ESS < 400 → posterior 의 invalid.
|
||||
- **Single chain MCMC**: multi-chain 의 mix check 의 mandatory.
|
||||
- **Posterior point-estimate 의 only**: 매 distribution 의 entirety 의 use — credible interval · posterior predictive.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Gelman *Bayesian Data Analysis* 3rd, NumPyro/PyMC/Stan docs, McElreath *Statistical Rethinking* 2nd).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Bayes rule + 4 methods + NumPyro/PyMC patterns |
|
||||
|
||||
Reference in New Issue
Block a user