가능도와 확률을 잇는 통합 신뢰 관계 프레임워크

초록

본 논문은 가능도 이론과 확률 이론 사이의 격차를 메우는 순서‑규모 신뢰 관계를 제시한다. 사건 간의 신뢰 순서를 순수히 질적(가능도)으로 표현하면서도, 가산적 확률 표현의 풍부함을 유지하도록 하는 공통된 구조를 정의하고, 이를 만족하는 관계가 실제 확률 측정으로 구체화될 수 있음을 정리한다. 주요 결과는 몇 가지 직관적 공리(단조성, 전가산성, 비교가능성 등)를 통해 이러한 관계가 ‘오더‑오브‑매그니튜드’ 확률, 즉 서로 다른 규모의 확률값을 갖는 확률분포로 완전히 표현됨을 보인다.

상세 분석

논문은 먼저 ‘신뢰 관계(confidence relation)’라는 개념을 형식화한다. 이는 사건 집합 Σ 위에서 정의된 이진 관계 ⪰ 로, A ⪰ B는 사건 A가 B보다 적어도 동등하게 신뢰된다는 의미이다. 전통적인 가능도 이론에서는 ⪰ 가 완전 순서가 아니라 ‘가능도 순위(possibility ranking)’에 의해 결정되며, 이는 사건을 동일한 가능도 수준으로 묶는 등급을 만든다. 반면 확률 이론에서는 ⪰ 가 실수값 확률분포 P에 의해 정의되어, P(A) ≥ P(B) 형태의 전가산적 비교가 가능하다. 저자들은 이 두 접근법을 연결하기 위해 ‘순서‑규모(order‑of‑magnitude) 관계’를 도입한다. 이는 사건 간의 비교가 단순히 크기 차이가 아니라, 차이가 몇 단계(오더)인지에 따라 구분되는 구조이다. 예를 들어, P(A) = 10⁻², P(B) = 10⁻⁴라면 A는 B보다 두 단계 높은 신뢰를 가진다.

핵심 공리로는 (1) 단조성(monotonicity): A ⊆ B이면 B ⪰ A, (2) 전가산성(pre‑additivity): A ∩ C = B ∩ C = ∅이면 A ⪰ B ⇔ A ∪ C ⪰ B ∪ C, (3) 비교가능성(comparability): 모든 A, B에 대해 A ⪰ B 또는 B ⪰ A 중 하나가 성립, (4) 오더 구분성(order‑distinguishability): 동일 오더에 속하는 사건들은 가능도 순위와 동일하게 취급된다. 이러한 공리를 만족하는 ⪰는 ‘오더‑오브‑매그니튜드 확률’(OM‑probability)이라고 명명된다.

정리 1에서는 OM‑probability가 존재함을 보이는데, 이는 각 오더에 대해 서로 독립적인 확률 질량을 할당하고, 높은 오더의 질량이 낮은 오더를 압도하도록 구성한다. 즉, ε‑분석 기법을 차용해 ε를 무한소로 두고, P(A) = Σ_k ε^k·p_k(A) 형태로 표현한다. 여기서 p_k는 k번째 오더에 속하는 사건들의 정규화된 확률분포이다.

정리 2는 가능도 순위와 OM‑probability 사이의 동형성을 제시한다. 가능도 함수 Π가 주어지면, Π의 레벨 집합 L_i (i=0,1,…,m) 를 정의하고, 각 레벨에 ε^i 가중치를 부여해 확률 측정 μ를 만든다. 이렇게 구성된 μ는 원래 Π와 동일한 질적 순서를 유지하면서도, 전가산성을 만족한다. 반대로, OM‑probability가 주어지면 ε‑전개를 통해 가능한도 순위 Π를 추출할 수 있다.

또한 논문은 ‘큰‑단계 확률(big‑stepped probabilities)’이라는 특수 케이스를 논의한다. 이는 각 오더에 단 하나의 사건만이 비제로 질량을 갖는 경우로, 순수 가능도와 가장 근접한 형태이며, 계산 복잡도가 낮아 실제 AI 시스템(예: 불일치 관리, 비모수적 의사결정)에서 활용 가능하다.

마지막으로 저자들은 제안된 프레임워크가 기존의 ‘레시코그라픽 확률(lexicographic probabilities)’ 및 ‘가능도‑확률 혼합 모델’과 어떻게 차별화되는지를 비교한다. 레시코그라픽 확률은 순서만을 중시하고 가산성을 포기하는 반면, OM‑framework는 가산성을 유지하면서도 순서‑규모 정보를 보존한다. 이는 정량적 계산이 필요한 상황에서도 질적 순서를 잃지 않게 해준다.

요약하면, 논문은 가능도와 확률 사이의 이분법을 해소하고, 두 이론의 장점을 동시에 활용할 수 있는 통합적 수학적 구조를 제시함으로써, 질적 추론과 정량적 계산을 연결하는 중요한 이론적 토대를 제공한다.