파라미터에 대한 무작위성의 경험적 의미와 레빈 반사전 측도

본 논문은 실수 파라미터 θ 에 따라 정의되는 확률분포족 \(P_\theta\) 에 대해, 알고리즘적 무작위성 이론을 적용해 “무작위 열의 경험적 의미”를 정량화한다. 연구는 크게 네 부분으로 전개된다. 첫 번째 부분에서는 기본 개념을 정리한다. 반측도 \(P\) 는 \(P(\Lambda)\le1\) 및 \(P(x0)+P(x1)\le P(x)\) 을 만족하는 함수이며, 반측도 중에서 아래에서부터 반계산 가능한(semicomputable from below) 것들을 고려한다. 레빈은 이러한 반측도 중에서 곱셈 상수 c 에 의해 모든 다른 반측도를 지배하는 **보편 반측도** \(M\) (또는 \(\bar M\)) 를 정의하였다. \(\bar M\) 는 알고리즘적 무작위성의 “크기”를 측정하는 도구로, \(\bar M(A)=0\)이면 어떤 확률적 컴퓨터도 집합 \(A\) 내의 열을 양의 확률로 생성할 수 없음을 의미한다. 두 번째 부분에서는 파라미터화된 확률분포와 무작위성 정의를 확장한다. 파라미터 θ 가 실수이며 \(P_\theta\) 가 θ 에 대해 계산 가능하다고 가정한다(즉, θ 를 입력으로 하는 알고리즘이 \(P_\theta(x)\) 를 근사한다). 무작위성은 레빈의 반측도 \(M_\theta\) 와 결합해 정의되며, \(\omega\)가 \(P_\theta\)‑무작위라면 \(\sup_n M_\theta(\omega_n)P_\theta(\omega_n)<\infty\) 이다. 세 번째 부분이 논문의 핵심이다. 여기서는 **효과적으로 강일관추정기** \(\hat\theta\) 가 존재하는 경우를 다룬다. 강일관추정기란, 임의의 정밀도 ε와 오류 δ에 대해 computable 함수 \(N(ε,δ)\) 가 존재해 \(n\ge N\) 이면 \(|\hat\theta(\omega_n)-θ|<ε\) 가 δ 이하의 확률로 위반되지 않는다. 베르누이 분포 \(B_θ\) 의 경우 표본 평균이 이러한 추정기에 해당한다. 정리 1은 “\(\bar M(I_θ)>0\) ⇔ θ 가 계산 가능”임을 증명한다. 증명은 두 방향으로 진행된다. - **(⇒)** θ가 계산 가능하면 \(P_θ\) 자체가 계산 가능하고, 보편 반측도 \(M\) 에 의해 \(\bar M(I_θ)≥c·P_θ(I_θ)=c>0\) 가 된다. - **(⇐)** 반대로 \(\bar M(I_θ)>0\) 라고 가정하면, \(\bar M\) 가 양의 질량을 갖는 유한 집합 \(V\) 와 \(I_θ\) 의 교집합을 이용해 일련의 문자열 집합 \(X_n\) 을 구성한다. 각 \(X_n\) 은 길이가 충분히 크고, \(\hat\theta\) 값이 서로 2⁻ⁿ 이하 차이이며, \(\bar M\) 가 일정 수준 \(r\) 이상을 차지한다. 이러한 \(X_n\) 을 통해 \(\theta_n=\hat\theta(x)\) (사전 순 최소 문자열) 를 정의하면 \(|\theta_n-θ|<2^{-n}\) 가 성립한다. 따라서 θ 는 점근적으로 computable 하다. 핵심 아이디어는 \(\bar M(I_θ∩V)>\frac12\bar M(V)\) 라는 양의 차이를 이용해 \(\hat\theta\) 가 수렴하지 않을 경우 \(\omega\) 가 \(P_θ\)‑무작위가 아니게 되는 모순을 도출하는 것이다. 네 번째 부분에서는 **베이지안 혼합**과 **비무작위 파라미터**에 대한 추가 결과를 제시한다. - 정리 2는 computable prior \(Q\) 에 대해 베이지안 혼합 \(P(x)=\int P_θ(x)dQ(θ)\) 가 계산 가능하고, \(\bar M\bigl(\bigcup_{\theta\in R_Q} I_θ\bigr)>0\) 임을 보인다. 여기서 \(R_Q\) 는 \(Q\)‑무작위 θ 들의 집합이다. 즉, θ 자체가 비계산 가능하더라도, 그 θ가 어떤 computable prior 에 대해 무작위라면 해당 파라미터를 이용한 무작위 열은 베이지안 혼합을 통해 “의미 있게” 생성될 수 있다. - 정리 4(논문에서는 정리 5에 해당)에서는 **확률 기계**를 구성해, 거의 확실히 θ‑베르누이 무작위 열을 출력하도록 한다. 이때 θ는 각 computable measure 에 대해 무작위가 아니다. 이는 베이지안 접근이 모든 “의미 있는” 경우를 포괄하지 못한다는 점을 강조한다. 마지막으로 부록에서는 \(\bar M\) 가 마틴‑로뎃 무작위 열들의 집합에 대해 양의 값을 갖는 간단한 증명을 제공한다. 전체적으로 논문은 다음과 같은 의미 있는 결론을 도출한다. 1. 파라미터 θ 가 계산 가능할 때만, 해당 파라미터에 대한 무작위 열 집합이 레빈 반측도 관점에서 양의 “크기”를 가진다. 2. 베이지안 혼합을 통해 비계산 가능한 θ 라도, 그 θ 가 어떤 computable prior 에 대해 무작위라면 무작위 열을 생성할 수 있다. 3. 그러나 베이지안 방법만으로는 모든 의미 있는 경우를 설명할 수 없으며, 특수한 확률 기계가 비무작위 파라미터에 대해 무작위 열을 생성할 수 있음을 보인다. 이러한 결과는 전통적인 통계적 추정(강일관추정)과 알고리즘적 무작위성 이론 사이의 교차점을 명확히 하며, 파라미터가 비계산 가능하더라도 실험적(경험적) 의미를 가질 수 있는 조건을 제시한다는 점에서 이론적·실용적 의의를 가진다.