[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,65 +2,141 @@
|
||||
id: wiki-2026-0508-inexact-science
|
||||
title: Inexact Science
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-INSC-001]
|
||||
aliases: [Soft Science, Probabilistic Reasoning, Approximate Methods]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, inexact-science, social-science, soft-science, complexity, human-Behavior]
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [epistemology, statistics, uncertainty, methodology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pymc
|
||||
---
|
||||
|
||||
# [[Inexact-Science|Inexact-Science]]
|
||||
# Inexact Science
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "확실함의 부재가 주는 지혜: 물리학처럼 공식 하나로 명쾌하게 설명되지 않는 인간 심리, 경제, 사회 현상을 연구하며, 절대적 정답 대신 '가장 가능성 있는 경향성'과 '맥락'을 탐구하여 불확실성을 다루는 학문."
|
||||
## 매 한 줄
|
||||
> **"매 uncertainty 매 quantify"**. Inexact science 매 deterministic closed-form X — 매 noise, bias, partial observability 매 inherent. 매 2026 ML interpretability, social science replication crisis 매 forefront. 매 tool: 매 Bayesian inference, robust statistics, sensitivity analysis.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
부정밀 과학(Inexact-Science)은 엄격한 실험적 통제나 수치적 정확성이 떨어지지만, 복잡한 인문·사회 현상을 다루는 학문 분야를 의미합니다. (심리학, 사회학, 경제학 등)
|
||||
## 매 핵심
|
||||
|
||||
1. **특징**:
|
||||
* **Complexity**: 변수가 너무 많고 인간의 자유의지가 개입되어 예측이 어려움. ([[Complexity Theory|Complexity Theory]]와 연결)
|
||||
* **Context-Dependent**: 시대와 환경에 따라 정답이 변함.
|
||||
* **Heuristic-driven**: 절대적 법칙보다 전문가의 직관과 휴리스틱이 자주 사용됨. ([[Heuristics|Heuristics]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* AI가 수학적 최적화(Hard Science)를 넘어 인간의 복잡한 감정과 사회적 맥락(Soft Science)을 이해하게 하려면, 이 분야의 지식 체계 포섭이 필수적임.
|
||||
### 매 inexactness 의 source
|
||||
- **Aleatory**: 매 inherent randomness (quantum, dice).
|
||||
- **Epistemic**: 매 ignorance — 매 reducible by data.
|
||||
- **Measurement noise**: 매 instrument precision limit.
|
||||
- **Model misspecification**: 매 wrong functional form.
|
||||
- **Selection bias**: 매 non-representative sample.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '비과학적 정책'이라 치부되기도 했으나, 현대 정책은 데이터 과학과 컴퓨팅 파워 정책을 결합하여 '정량적 부정밀 과학 정책(Computational Social Science)'으로 거듭남(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델이 인간의 심리 상담이나 사회 현상 분석 정책을 수행함에 따라, 인문학적 통찰 정책이 기술 개발 정책의 가장 강력한 지침이 되는 '문명적 기술 정책'의 시대로 진입함.
|
||||
### 매 mitigation 전략
|
||||
- **Bayesian credible intervals** (vs frequentist CI).
|
||||
- **Bootstrap resampling** — 매 distribution-free uncertainty.
|
||||
- **Cross-validation** — 매 generalization estimate.
|
||||
- **Sensitivity analysis** — 매 parameter perturbation.
|
||||
- **Pre-registration** — 매 p-hacking 방지.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Epistemology|Epistemology]], [[Complexity Theory|Complexity Theory]], [[Heuristics|Heuristics]], [[Decision Theory|Decision Theory]], [[Ethics & AI|Ethics & AI]]
|
||||
- **Modern Tech/Tools**: Sentiment [[Analysis|Analysis]], Sociometric [[Research|Research]], Behavioral economic modeling.
|
||||
---
|
||||
### 매 응용
|
||||
1. 매 medical trials (FDA Phase III).
|
||||
2. 매 ML model deployment (Bayesian deep learning).
|
||||
3. 매 climate modeling (ensemble).
|
||||
4. 매 economics (DSGE models).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 1. Bayesian Linear Regression (PyMC)
|
||||
```python
|
||||
import pymc as pm
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
with pm.Model() as model:
|
||||
alpha = pm.Normal('alpha', 0, 10)
|
||||
beta = pm.Normal('beta', 0, 10)
|
||||
sigma = pm.HalfNormal('sigma', 5)
|
||||
mu = alpha + beta * x_obs
|
||||
y = pm.Normal('y', mu=mu, sigma=sigma, observed=y_obs)
|
||||
trace = pm.sample(2000, tune=1000)
|
||||
# 매 posterior distribution — credible intervals 매 natural
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 2. Bootstrap Confidence Interval
|
||||
```python
|
||||
import numpy as np
|
||||
def bootstrap_ci(data, stat_fn, n=10_000, alpha=0.05):
|
||||
boots = [stat_fn(np.random.choice(data, len(data), replace=True))
|
||||
for _ in range(n)]
|
||||
return np.percentile(boots, [100*alpha/2, 100*(1-alpha/2)])
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 3. Sensitivity Analysis (Sobol)
|
||||
```python
|
||||
from SALib.analyze import sobol
|
||||
from SALib.sample.sobol import sample as sobol_sample
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
problem = {'num_vars': 3, 'names': ['x1','x2','x3'],
|
||||
'bounds': [[0,1]]*3}
|
||||
param_values = sobol_sample(problem, 1024)
|
||||
Y = np.array([model(p) for p in param_values])
|
||||
Si = sobol.analyze(problem, Y) # 매 first/total order indices
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### 4. Cross-Validation
|
||||
```python
|
||||
from sklearn.model_selection import cross_val_score
|
||||
scores = cross_val_score(model, X, y, cv=10, scoring='neg_mean_squared_error')
|
||||
print(f"MSE: {-scores.mean():.3f} ± {scores.std():.3f}")
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### 5. Robust Statistics (M-estimator)
|
||||
```python
|
||||
from sklearn.linear_model import HuberRegressor
|
||||
# 매 outlier-resistant — Huber loss 매 quadratic+linear
|
||||
huber = HuberRegressor(epsilon=1.35).fit(X, y)
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### 6. Conformal Prediction (Distribution-Free)
|
||||
```python
|
||||
# 매 2026 standard — coverage guarantee 매 model-agnostic
|
||||
calib_residuals = np.abs(y_calib - model.predict(X_calib))
|
||||
q_hat = np.quantile(calib_residuals, 0.95)
|
||||
# 매 prediction interval: [pred - q_hat, pred + q_hat]
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Small n, prior knowledge | Bayesian (PyMC, Stan) |
|
||||
| Large n, distribution-free | Bootstrap + conformal |
|
||||
| Causal claim | RCT > obs + IV/DiD |
|
||||
| Outliers heavy | Huber / RANSAC |
|
||||
| Multiple comparisons | BH-FDR / Bonferroni |
|
||||
|
||||
**기본값**: 매 report point estimate + 95% interval; 매 effect size > significance.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Statistics]] · [[Probability Theory]]
|
||||
- 변형: [[Bayesian-Inference]] · [[Robust-Statistics]]
|
||||
- 응용: [[Statistical-Power]] · [[Multivariate-Analysis]]
|
||||
- Adjacent: [[Inexact-Reasoning]] · [[Epistemology]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 study design review, 매 uncertainty communication, 매 robustness check 제안.
|
||||
**언제 X**: 매 deterministic system (compiler, hash). 매 cryptographic exactness 필요.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **p<0.05 cult**: 매 effect size 무시, multiple-testing 무수정.
|
||||
- **HARKing**: 매 hypothesis after results known.
|
||||
- **Overconfident point estimate**: 매 ±uncertainty 미보고.
|
||||
- **Garrison the data**: 매 outlier 임의 제거.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Gelman, *BDA*; Wasserman, *All of Statistics*; ASA p-value statement).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Bayesian/bootstrap/conformal patterns |
|
||||
|
||||
Reference in New Issue
Block a user