显示标签为“伪数学”的博文。显示所有博文
显示标签为“伪数学”的博文。显示所有博文

2017-09-09

近似的精确性

对于一条曲线y=f(x).
给定区间R \in [x_left,x_right]内,df(x) = dy恒定的话.
则可以表示为y=f(x)=Wx+b的形式.

于是扩展下就是对于任意一条曲线,可以认为是由一组这样区间的f(x)构成的.
也就是分段的线性组合/集合S(f)构成.

考虑S(f)是个有限集合.
y=f(x)就可以表述为
y=f(x) = a_0*f_0(x) + a_1*f_1(x) + ... + a_n*f_n(x)
其中f_i(x) \in S(f),a_i = {0,1}
->
y=f(x) = \sum a_i*f_i(x)

这个形式就有限眼熟了.

如果把a_i = {0,1}放宽一点,为[0,1]之类的话.
a_i = sigmoid(f_i(x))
也就是所谓的activation function的形式.

或者更换下符号
a_i = sigmoid(g_i(x))
->
y=f(x) = \sum sigmoid(g_i(x)) * f_i(x)
->
y=f(x) = \vec{sigmoid(g_i(x))} * \vec{f_i(x)}
->
y=f(x) = hidden(x) * output(x)

也就是说,某种程度上来说,multi layer/deep neural network更像是一组分段函数描述.
通过一种局部的简单近似取描述一条整体复杂的曲线.

从这个角度来说,DNN并不能算得上说是一种智能甚至说算法.
而只是一种某种形式的经验的累加.

它可以逼近现有已知的各种事实.
但对于事实外或者预见外的,就可能并不能存在所谓的有效性.

这里隐含的一个论调就是,这个世界的运作规则是有一些简洁有力的描述构成的.
就像y=ax+b足够描述一条,而不是把所以点"罗列"出来才能表达一样.

而且这里更深的一个隐含假设就是这种简洁的基本描述是有限的.

也就是说,只需要有限的几条公式就能够完整地描述各种状态和存在.

反过来说,即使这个世界确实是由一些既定的数学来描述的话.
如果这种数学的存在性是无限的,那也是没有意义的.

因为可能并不能通过罗列S(f)的方式来具体确定地描述一个东西.
而只能在一个子集内有限地逼近真实.

或者可能需要一种结构去描述这种无限状态构成的确定的具体概念?

就像泰勒展开一样.
如何系统地描述这种无限的表述空间.

或者可能这就是这个世界并不是某种模拟的结果的证据.
因为对于这个展开式,永远存在一个可以继续展开的无穷小精度.

也就是说,永远存在某种未发现的规律剂量,去表面还有未知的空间.

就像从引力印象一样.
在理论发展之前,这是一个不会被测量和考虑的某阶无穷小因素.
而在理论框架之后,又有了测量和确认的形式方式.

这么想的话,好像DNN也不是那么不堪.





2017-01-04

隐私悖论

昨晚发了条带名字备注的截图.
早上起来的时候看到条关于隐私的吐槽.
于是想了想就删掉了.

然后顺着这个思路发散了下.

这里的一个问题就是,信息到你手上之后,有没有权力继续流转.

更一般地可能是对于"可见"的信息的权力行使和所有问题.
尤其在一个属于"公共区域"的信息的所有权问题.

比如你翻一个人的微博timeline算不算一种侵犯.
尤其当对方把其当作一种树洞处理的时候.
这时候的窥视算不算一种不道德的行为.

再比如,如果一个timeline是确然地愿意被看到的.
那么对内容的二次传播是否就是自由的呢.
毕竟能看到可能只是因为对方的一个公众子集,或者私有圈子.

又如,对一个原始受限受众的内容对第三方/非受限人群进行转述或者点评/评论使之有所感知或者获知的行为.
算不算对原有信息规则的一种破坏.

让事情更复杂的是,如果以上这些情况是在没有明显告知标记的情况.
比如微博的公开timeline,Google+的Public circle,Twitter的普通tweet,Facebook的非定向status update,微信的公开朋友圈等.

本质上来说,这里存在两个维度.
以graph的方式考虑的话,把"人"作为节点,信息作为一种traversal的话.
那么这就是一个directed acyclic graph.

更重要的是,由于每一条信息经过节点的时候,会根据节点“人”的决策,从而有不同的fanout/流出度/out degree.

如果更宏观地,把每个节点的各种可能的fanout方式列出来的话.
则,对于存在N个节点,每个节点i有k_i种fanout方式的这个有向图来说,就存在
\prod_i^n k_i种组合方式.

也就是说对于原来作为无向图/基础graph考虑的话,实际就会有\prod_i^n k_i种不同的可能的reality.
就像某种形式的多重宇宙的通俗概念一样.

而这只是某一条消息可能产生的事实graph的可能性集合.

这里imply的就是,对于每一条信息来说,它的最终构成的graph/流转途径几乎是不可确定的.

这是因为作为每个节点来说,所能控制的只是对下级的fanout.
而次级对于flowin的message是如何处理的取决于该节点自身的独立的activation function.

跟重要的是每一级的activation function可能会对对应的message做不同的流转特性方面的变更.
比如本来是某个私有圈子的信息,经过某个节点之后被放大提权到另一种流转级别.

所以,从这个角度来说,要做信息流向的控制,基本是不可能的.

即使考虑,比如某个origin O节点需要向某个subset S传递消息message M.
如果O要保证M按照O的设计只在S中间存在的话.
那么就必须要有一种方式保证对于M的S的各个activation function F存在某种形式的agreement.

或者更直接地,强制使用O提供的一个activation function.

这应该是没办法做到的.

如果放宽一下限制.
允许当前信息M_1被外延,但随后对作出例外fanout对节点进行移除处理,也就是通俗所说对删好友/拉黑方式的话.
那么就需要有一种机制去发现这个fanout节点.

一种方式是定义这么一个协议.
对于一个origin的信息而言,在初始fanout的时候,会带上对应的限制信息.
次级在收到消息之后,再次fanout的时候会带上次级的信息.

当其他节点发现次级信息不是origin信息的一个合法/合理子集的时候,就可以发现冲突了.

从技术上来说,要让消息在两者之间有辨识度,可以用RSA.
也就是origin和first fanout的节点之间做RSA消息.
而消息的传播渠道是类似blockchain这种具备immutable history的东西.

当然,这里还有一个问题.

就是当fanout的节点本身也是一个隐私问题.
或者说不需要被传递reveal出来的东西呢?

也就是说,次级节点需要在不做到origin节点的fanout list的情况下.
构造一个这个list的子集.

一个具体的例子就是.
给定origin O和对应的fanout list,L=[A B C]
对于C来说,此时要构造一个secondary fanout,SF=[...].
同时又不做到合法的子集是仅由ABC构成.

理论上来说,C可以构造各种可能的list然后向O询问是否合法.
但这个显然是不现实的.

而且,同样地,通过不停的询问实际上是可以reveal O的原始意图的.

于是,一个微妙的点就是,似乎很难在约束一个信息流转的方式.
因为如果存在这种方式的话,那么就可以用同样的构造过程,使得这个信息按照约束相反的方式流转.

一个近乎完美的悖论.




2016-10-14

关于时间旅行的中学物理演算

如果时间倒流回怎么样呢?

一个直觉的想象就是诸如自由落体的从下往上.

这里隐含的一个解释就是诸如p=vt的话.
倒流只是简单t符号的改变.

那么,当人回到屋顶之后这个系统该怎么演化呢?
也就是对应的此时的直觉上的f(t)函数应该是什么呢?

人是往后退回那个方向?

通常的这种想象是基于回退是依据"原有"的上下文来做的唯一推断.
就像拿胶片来回播放.

但如果考虑无限回退的话,这个点上下文追溯假设还合理么?

就比如给定一段胶片,是可以在给定的区间内做单向的确定回放.
但对于片段外该如何进行,就存在着各种可能性了.

所以如果把倒流理解为t的符号改变就显得不是那么合理了.

那么只能是对应的矢量函数中的矢量各纬度的方向改变了.

假设对运动的描述p=vt的物理描述是正确的,且时间t作为符号改变的主因不合理的话.
那么符号改变的由来应该就是v了.

如果v是常数,或者说整体是简单的匀速运动,那么倒流的直觉印象也不过是方向的改变.

但如果是非匀速作用呢?

考虑简单的匀减速运动.
p=v+0.5*a*t^2

则当倒流是就变成了
p=-v-0.5*a*t^2
->
p=-(v+0.5*a*t^2)

这里假设了a也是矢量,同样参与到倒流中.

再定义这里的t是一个单向的函数参数.
即对于倒流发生的时刻t,t+delta为倒流后delta时间,t-delta为倒流前时间.

那么在倒流后到delta时刻的位置p就跟倒流前delta时刻的位置不一样了.
比如p(1) = v_0+0.5*a*t^2 = |v_0+a|
此时发生倒流到话,
p(1+1) = p(2) = v_1+0.5*at^2 = |v_1+a|
v_0和v_2显然存在差值.

也就是说在这种框架下,倒流发生之后,物体的状态会跟直觉上的认识有所偏差.
并不是人所预想中的过去的状态.

这里还有个比较诡异的地方.
不管是把t当作是矢量还是非矢量,t^2都是一个单纯的数.

还有一点就是对t是单向函数参数的假设delta.

这里隐含的思路是倒流后的描述函数中t的作用形式不变,且是单向递增的.

如果在倒带的时候,虽然影像记录上的"时间是回放的",但隐含了实际中的时间这个绝对测量标准.

如果把这个假设剔除掉呢?

考虑向量
p(0) = [v_0,a]
p(2) = [v_1,a]

这里把t不作为一个纬度考虑.
因为如果考虑进来就是
p(0) = [v_0,a,t]
p(2) = [v_1,a,t]
t绝对标准
或者
p(0) = [v_0,a,t_0]
p(2) = [v_1,a,t_1]
t可变/相对.

则无论是哪种情况,都不能让|p(0)| = |p(2)|

所以考虑为
p(0) = [v_0,a]
p(2) = [v_1,a]
这里|p(0)| = |p(2)|也是不成立的.

然则,如果倒流或者说"t-delta"的作用是让|p(0)| = |p(2)|成立呢?

也就是说,在这个系统回退的时候,它的作用其实是对各个维度的一种修正补偿作用.
就像以光速恒定作为这种"绝对标准"媒介做的时空可变性一样.

那么,如果这个维度补偿的函数是确定性且可逆的,那么在进行非倒流计算/正向计算的时候就应该会包含所有维度的补偿.
也就是说,如果这个函数存在,那么它也应该是一个包含所有维度的计算式.

于是,即便有这个描述式,并且有办法操控这个式子以任何可能的数值发生作用.
或者直白地说,能通过它操控系统的正向逆向演化,那么对于系统内的人来说,也是没有意义的.
因为这里存在的前提是|p(0)| = |p(2)|.

而如果只是对其中一部分维度做操控的话,那么久回退到
p(0) = [v_0,a,t_0]
p(2) = [v_1,a,t_1]
的状态.

也就是这种"时间回溯"的结果会存在不符合人类直觉认知/期望的现象.

2016-04-17

一些关于交易策略的计算

考虑一个交易策略.

有Winning的概率获得Return的收益.
同时有1-Winning的概率获得Lose的收益

那么进行一次交易后的
Cash_1 = Cash_0 * (1+Return)*Winning*(Realize_0) + Cash_0 * (1-Lose)*(1-Winning)*(1-Realize_0)
其中Realize_0为实际发生的是Return的收益还是Lose的收益.
即 Realize_0 = {0,1}

推广下就是
Cash_{n+1} = Cash_0 * \prod_i^n ( (1+Return)*Winning*Realize_i) +(1-Lose)*(1-Winning)*(1-Realize_i) )
令Cash_0 = 1
->
Cash_{n+1} = \prod_i^n ( (Winning+ Return*Winning)*Realize_i + (1-Lose)*(1-Winning) - (1-Lose)*(1-Winning)*Realize_i )
->
Cash_{n+1} = \prod_i^n (Winning+ Return*Winning - (1-Lose)*(1-Winning))*Realize_i + (1-Lose)*(1-Winning)

对于给定策略来说,Winning Return 和Lose都是一个常数.
令
A = (Winning+ Return*Winning - (1-Lose)*(1-Winning))
B = (1-Lose)*(1-Winning)
则有
Cash_{n+1} = \prod_i^n A*Realize_i+B

由于Realize_i的取值为离散的1和0.
考虑让n=p+q,其中p为取值1的数量,q为取值0的数量.
则有
Cash_{n+1} = ((A+B)^p) * (B^q)
->
Cash_{n+1} = ((1+Return)*Winning)^p) * ((1-Lose)*(1-Winning))^q

考虑Winning=0.5,Return = Lose = k的情况.
->
Cash_{n+1} = ( (1+k)^p*(1-k)^q )/2^n

由于Winning为0.5,也就是说当n->\infty的时候p=q
->
Cash_{n+1} = (1-k^2)^(n/2) / 2^n
->
Cash_{n+1} = \sqrt{ ((1-k^2)/4)^n }

在这种条件下,要有实际意义的盈利空间就意味着
Cash_{n+1} > 1
->
\sqrt{ ((1-k^2)/4)^n } > 1
->
((1-k^2)/4)^n > 1
->
(1-k^2)/4) > 1
->
3+k^2 < 0 但由于k>0
->
3+k^2 > 3
与需要满足的条件矛盾.

也就是说,在50%胜率,且单次交易盈亏幅度相同的情况下.
随着交易次数的增加,收益率是趋向0的.

这个跟直觉上可能有点冲突.

对于给定的50 50胜率的重复实验来说,其期望应该是
E=1+Return-Lose
当Return=Lose的时候
E=1即不变的.

但这里隐含的条件是每次执行策略都是相互独立/完全相同的初始条件的.

对于实际上的操作来说,每次的策略执行的Cash_i是不同的,且依赖于上一次的结果.
所以,对于这种类型的交易策略来说,并不能直接套用这类期望计算.

一个较为直观的解释是.
假设胜率为50%,收益率为正负10%.
那么对于两次分别正负的策略执行来说,就有可能存在
1.1*0.9 = 0.99

虽然收益率的幅度相同,但是由于基数不同,所以导致了实际并不为一的情况.
而且就这种情况来说,要使得收益为1.
1.1*x=1
->
x=0.909

换句话来说,在这种胜负均等的简单情况下,也要求正收益率要高于负收益率.
如果考虑实际的市场波动情况的话,结果可能更复杂.

考虑
Cash_{n+1} = ((1+Return)*Winning)^p) * ((1-Lose)*(1-Winning))^q
当n->\infty
Winning = p/(p+q)
也就是p的出现次数跟总次数的比值会趋近于Winning.
->
Cash_{n+1} = (1+Return)^p * p^p * (p+q)^(-p) * (1-Lose)^q * q^q * (p+q)^(-q)
->
Cash_{n+1} = ( (p+p*Return)^p * (q-q*Lose)^q ) / (p+q)^(p+q)
令Return=x,Lose=0,p+q=n
->
Cash_{n+1} = (p+p*x)^p *q^q / ((p+q)^(p+q))
->
Cash_{n+1} = ((p+p*x)/n)^p * (q/n)^q

当n->\infty
Winning = p/(p+q) = w
->
Cash_{n+1} = (w+w*x)^p * (1-w)^((p-w*p)/w)
->
Cash_{n+1} = ( ((w+w*x)/(1-w)) * (\sqrt[w](1-w)) ) ^ p

令Cash_{n+1} > 1
->
( ((w+w*x)/(1-w)) * (\sqrt[w](1-w)) ) ^ p > 1

当n-> \infty时,不管w/胜率为多少,那么p-> \infty
->
((w+w*x)/(1-w)) * (\sqrt[w](1-w)) > 1
->
((w+w*x)/(1-w))^w * (1-w) > 1

对w求偏导数
->
\frac{ \partial( ((w+w*x)/(1-w))^w * (1-w) ) }{ \partial w } = (w+1)*( ((x+1)*w)/(1-w) )^w * \log (x+1)*w/(1-w)

而
\frac{ \partial( \log (x+1)*w/(1-w) )}{ \partial w } = (\log(x+1)) / ((1-w)^2)

假设x>=0的话,
则\frac{ \partial( \log (x+1)*w/(1-w) )}{ \partial w } = (\log(x+1)) / ((1-w)^2) > 0
即\log (x+1)*w/(1-w)是一个关于w的区间内的单调递增函数.

由于w \in [0,1],
则\log (x+1)*w/(1-w) \in [-\infty,+\infty]

那么对于\log (x+1)*w/(1-w)来说就存在一个零点w_0.
使得
当w 0
即当 w < w_0时,((w+w*x)/(1-w))^w * (1-w) > ((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0)

当w>w_0时,\log (x+1)*w/(1-w) > 0.
((w+w*x)/(1-w))^w * (1-w) < ((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0) 即((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0)为给定x的对于w的最小值. 那么对于给定的收益率x \log (x+1)*w/(1-w) = 0 ->
(x+1)*w/(1-w) = 1
->
w = w_0 = 1/(x+2)

->
((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0) = ((x+1)/(x+2))^((x+3)/(x+2)) > 1
->
x<-3 也就是说,并不存在一个收益率,使得无论其胜率如何都能产生正的收益. 这其实是很符合直觉感受的. 但对于给定的收益率x,还是能得出一个交易胜率下限要求的. ((w+w*x)/(1-w))^w * (1-w) > 1
令x=0.01
->
w>0.9987

当然,这个通常没有什么意义.
如果有99%胜率的交易策略,那么也不用做这些计算了.

2016-03-10

一点发散

大概是下午还是晚上时候的一个思路.
不知道还接不接地上.

某种程度上来说,neural network有点像数字电路里的基本逻辑.

尤其如果把一个trained network看作一个single unit的话.
DNN实际上就是一堆unit的组合.

从程序语言的角度来说,有点像low level machine code和high level programing language.
把一些基础的底层抽象作为某种形式的feature,去构建更高纬度的描述.

就像一个简单的例子.
一个NN识别长方体,一个NN识别个数,一个NN识别角度关系.
组合一下,差不多就能够描述一张桌子了.

剩下的其实就是这么调参和组合/加权的问题.

而想想,人意识到是一张桌子的过程和采用的feature可能也差不多.
只不过会更复杂一些.

比如context里有屋子,有椅子.
然后概率性地会把对"桌子"的识别的搜索限定到"桌子"的范围内.

就像AlphaGo的policy network.
本质上就是把一些常规棋谱的模式encode进来,提供给value network做一些"常规"的"符合人类直觉"的选择.

只不过这里比较tricky的地方是,policy network encode的模式是一个snapshot.
下子之间不具有关联关系.
所以某种程度上来说,容易出现实际超长步数的策略建议.

回到NN的问题上.

既然一个DNN是一种NN的叠加和组合产生的高阶描述.
那么理论上来说,只要堆叠的NN足够多.
在不考虑运算力和存储等现实约束的前提下,进化出"智能"/"意识"也不是不可能的.

毕竟,人类的所谓学习/创造能力也不过是一些在现有learned feature上组合出来的.

尤其是如果数学推演能描述人类绝大多数甚至全部构成和行为的话.
那么在这点上,两者是完全没有区别的.

即使是matrix里提到的"感情"这种不等式存在.
在形式上来说,也是可以被精确描述和还原的.

所以,在这个层面上来说,讨论AI和人类的区别是没有意义的.

而实际上,这种堆叠不可能是无限细化和实时的.

某种程度上来说,人类对于NN based的AI来说,就是某种形式的laplace's demon.

至少从目前的技术角度来说,类DNN架构里,NN的数量相对于人类的神经系统来说还是非常有限的.

但是,如果换个角度来说,这里就可能存在某种形式的商业逻辑.
也就是一开始所说的数字电路/编程语言的思路.

考虑,如果把所有NN开放到互联网上,以某种公共协议的方式进行数据交换/交互的话.
那么就有可能把这种AI的智能程度提高一个层次.

就像桌子的例子.

通过全网的某种类RPC形式的交互调用可以得到某种encode比较丰富的feature vector.
它的dimension数量可能是想关于NN的数量的.

这么考虑的话,一个集中全网范围的存储和算力的类DNN架构,其"智能"程度也就可能超出现在的想象.

而对于"自主思考"这类问题,本质上来说不过是一些细化的feature组合之后,产生发现一个新的比较有区分度的sub space的过程而已.

比如对于一个自然数的加法group.
某个NN或者DNN能够infer/encode出5+5+5,3+3+3+3这类相同数字的连续加的结果的一些模式.
然后另外某些能够infer/encode出这里有连续数的+操作.
那么两者结合一下就有可能出来关于*的一个NN/DNN.
apply 回去的话,就是一个比较完整的关于*的创造性/学习/新的描述了.

实际上,AlphaGo的reinforced policy network就类似于对supervise policy network的一些模式encode.
对应与+操作的一些high level abstraction.
在基于此上的value network就是类似于infer出来的*操作了.

所以,从这个角度上来说AlphaGo确实是一种比较完整的对于人类思路的复刻.

某种程度上来说,大概所有DNN都是这种模仿方式.
只不过在实现上,由于各自选择的对于low level information的abstract角度不太一样罢了.
而在某些问题领域上,可供选择和考虑的抽象并不是特别多样化,所以是可能存在一定程度的重复工作的.

于是,以这个角度考虑一些做ML方案/平台的各种startup的话,方向倒也没错就是了.

从狭义上来说,都是各自提供了一些自己的pretrain的model给人做二次开发的.

如果能够推广一下,以某种公共协议或者调用方式对各种异构的NN做一个数据交换的话,大概人类文明能有一个比较大程度的飞跃.

尤其如果能推动到数学推演上面的话,以AlphaGo这种搜索方式的话,大概会有相当一部分问题能得到解/证明/证伪.

从这点上来说,AlphaGo的意义还是相当时代性的.

至少也是给通俗世界提供了一种新的思路.
就像前几年把DNN带到工业界的意义一样.

尽管,可能这些东西在学术界躺了几年甚至几十年了.

但终归,总会有像Google这种有能力有威望的人,把它带到人们面前.

创造或者提供一种全新的角度审视一些问题/东西.


2015-12-20

明镜止水

下午等考科目三的时候想到的一个问题.

给定一定的skill level k,结果的pass的score s与否应该是一个类似:
s = k*p
的关于p的一个概率关系.

也就是固有的技能熟练程度随一个分布的"随机"波动.

考虑把概率p展开为加权w的因素f的多项式看的话.
即类似:
p = w_1*f_1 + w_2*f_2 + ... = \sum w_i*f_i

则s=k*p
->
s = k*\sum w_i*f_i

这个形式好像没什么意义.

但如果换个思路写成
s = k + w_i*f_i + w_2*f_2 + ...
的话,即在给定技能水平的条件下,最终结果取决于跟其他因素的一个某种形式的和.

实际形式可能是
s = c_0(k) + c_1(w_i*f_i) + c_2(w_2*f_2) + ...
的形式.
其中c_n为某种到s的space的mapping functions.

通俗地说,就是给定技能水平的话,实际的结果收到一些f因素的影响.
也就是对分布p的波动性的某种形式的解释.

一个前提假设.
如果是绝对理性/理想的情况下,那么给定一定的k,则有一个相对于的固定的s.

现在引入c(w,f)作为对p的解释的话.
也就是说s的最终取值收到参考因素的影响/贡献.

实际的例子可能是f为紧张程度,或者环境因素.
对s的影响的形式就是比如过于紧张/环境关系造成的发挥失常/超常等的一种波动性的解释.

也就是当c(w,f)为positive的时候,对s的贡献就是正的.
换句话说,就是这个因素对技能水平的观测/评测有着积极的/超常的作用.

反之类似.

那么单从等式的角度来说,就存在一些解,使得最终的s尽可能地最大化.

即,如果能够分清因素对"发挥"这种行为是正面还是负面影响的话,就有可能使得最终的结果收益尽可能地大.

当然,这里c(w,f)可能隐含一种相互的约束.
因为s应该是一个bounded的,所以c(w,f)应该也是bounded的.
基于在这里认为c_0(k)是一个绝对中立/理性的值.

但是实际来说,在结果出来直接可能很难判定一个因素的影响是积极的还是消极的.
就像"紧张"这种因素.

它可能使得人注意力分散,也可能反过来刺激人的肾上腺素对结果造成正面的影响.

也就是说,这种描述更多地像是对一个one shot的东西做的一个事后的补充解释.
而不能在事前发现和重复利用.

类似于可以事后给出一个形如:
s = c_0(k) + c_1(w_i*f_i) + c_2(w_2*f_2) + ...
的表达式.
其中c_n都是"已知"的表示.

即可以有任意的满足
s = s' = r(k,w_1,f_1,w_2,f_2...)的函数.

即使在当时能够分辨地出能够影响结果的因素的f_n.
那么依然有着w_n的free variable.
并不能够确切地做一个确定的描述.

如果有确切的描述的话,那么就是已知w_n和k.
最大化s的问题就变成调整因素f_n的问题了.

也就是相对可控的"紧张"到什么程度能让结果较优/最优.

问题是,实际上并不能在事前得到这么一种表达方式.

换个思路.

既然假设了c_0(k)是一个常量的话.
也就是假设技能水平是固定不变的.

那么对于
s = c_0(k) + c_1(w_i*f_i) + c_2(w_2*f_2) + ...
就存在一个关于s的确定的解,
即
s_0 = c_0(k)

也就是说,如果不做一些诸如maximize的speculate的动作,而是遵循实际的技能水平的话.
那么是有一个确定可预知的结果的.

这个解的约束是\sum c_i(w_i,f_i) = 0.

同样的,如果从general的角度来看的话,因为无法在事前确定c(w,f)的具体形式和描述.
所以事前并不能根据实际的描述,来通过调整相应的f取得满足上面约束的解.

但同样的考虑一个特殊形式.
即所有的c(w,f) = 0的情况.

这是对于上面约束的一个特殊解.

即,如果把能够影响结果的因素的贡献都降低到0.
那么也就相当于实际上把这个影响因素移出等式/排除掉了.

世俗上来说,就是如果能把"紧张"之类的情绪等因素排除掉干扰,那么就存在对结果的一种确定性的预期.

代价则是使得结果不存在变数,也就是不存在着某种程度的投机/优化.

所谓的明镜止水.



2015-09-04

所谓事实

考虑一个简单的ROI形式,即:
return = f(investment).

对于一个人的主观决策,也即就是其expected return则是:
E(return) = f(investment).

考虑到之前提过的实际过程中,人决策过程中irrational/overconfident的量化形式,那么实际上应该是:
E(return) = f(investment) + g(bias)

也就是说,实际上,人做一个事情或一个决定的时候,对结果的期望是一个加上个人偏好的修正结果.

而实际的一个事情的结果往往是个人投入加上其余环境影响的一个综合结果.
即:
Fact(return) = f(investment) + H(environment).

那么,通常说一个事情不如预期的话,实际上是指:
delta(return) = E(return) - Fact(return)
也即
delta(return) = g(bias) - H(environment).

现在考虑一个问题.
如果一个人能够forecast所有事情,那么能否让预期结果和实际结果一致.
也即让delta(return) = 0呢?

考虑delta(return) = 0
->
g(bias) - H(environment) = 0

如果把环境因素简化为一个多人参与的同质描述的函数.
即,
H(environment) = \sum h(f_i(investment) + g_i(bias)) 的形式.

也即是说,把环境因素考虑为其他人决策的一个实际结果的某种加权形式.
则有
g(bias) = \sum h(f_i(investment) + g_i(bias))

这个意思就是为了使得个人决策结果与预期一致,或者说使得forecast的偏差为零的话.
决策的代价的依据是其他人的预期结果.

通俗地说就是在realize objective的时候,通过协调其他人的给定的已知的决策依据做调整.
也就是所谓的顺势而为.

这里对其他人的expected return是没有做任何限定的.
也即是其预期可以是任何形式.

考虑其他人决策的目的也是minimize delta(return).

因为delta(return) = g(bias) - H(environment).
对于单个个体来说,minimize的objective function是一个跟自身投入(investment)无关的一个函数.
而个体的delta(return) = 0 也就因为着对任意一个个体i,
g_i(bias) - H_i(environment) = 0
也即
g_i(bias) = H_i(environment).

则
H(environment) = \sum h(f_i(investment) + g_i(bias))
->
H(environment) = \sum h(f_i(investment) +H_i(environment))

由于
Fact(return) = f(investment) + H(environment).
->
f_i(investment) = Fact_i(return) - H_i(environment)

于是
H(environment) = \sum h(Fact_i(return) - H_i(environment) +H_i(environment))
->
H(environment) = \sum h(Fact_i(return))
也即
g(bias) = \sum h(Fact_i(return))

也就是说在一个人要使得自己的做法完全符合预期的调整函数是一个跟其他人的实现有关的一个函数.

这里隐含的一个条件是其他人的实现跟预期也是一致的.
即delta_i(return) = 0.
也即Fact_i(return) = E_i(return).

所以,实际上这个bias function其实是跟其他人的预期有关的一个函数
g(bias) = \sum h(Fact_i(return)) = \sum h(E_i(return))

重新rewrite一下ROI函数的话,就有
E(return) = f(investment) + g(bias)
->
E(return) = f(investment) + \sum h(E_i(return))

另外,
Fact(return) = f(investment) + H(environment)
->
Fact(return) = f(investment) + \sum h(Fact_i(return))

则
delta(return) = E(return) - Fact(return)
->
delta(return) = (f(investment) + \sum h(E_i(return))) - (f(investment) + \sum h(Fact_i(return)))
->
delta(return) = \sum (h(E_i(return)) - h(Fact_i(return)))

也就是说,个体决策的结果偏差是一个跟其他人的预期E_i和实际结果Fact_i有关的一个函数.
也就是形式上的
delta(return) = F(E_i,Fact_i).

那么问题就来了.

最初的假设是一个人可以forecast所有事情.
也就是说,对于某个时间点,Fact_i是通过forecast已知确定的.

而同时,E_i这个跟各个单独个体相关的预期函数可能不知道.
但基于个人预期是确定的这一假设,其值应该是固定的.

那么,也就是说
delta(return) = F(E_i,Fact_i)
在forecast的时候是已经确定了的.

换个角度来说,就是即使能够forecast,那么也无法改变什么.
因为delta(return)是一个跟自身无关的函数.

也就是说,即使你全知全能,但也无法改变什么.

当然,这里基于的一个假设是E_i是确定不变的.
或者说一个与forecast的个体无关的函数.

所以,如果E_i是一个跟forecast个体有关的函数呢?

重新考虑
delta(return) = F(E_i,Fact_i).

对于一个特定的forecast,Fact_i可以认为是一个常数项.
把它eliminate掉,就有:
delta(return) = G(E_i)

如果E_i是一个与forecast个体的某要素x有关的函数的话.
则有
delta(return) = G(E_i) = G(y(x)) = Y(x)

也就是说,如果一个人在能forecast所有事情的前提下,并且能够依此满足自己的任何需求的话.
那么,对于这个人,存在一个要素x,使得这个要素x能够影响其他人的先期预期.
使得通过其他人先期预期的调整,造成环境因素的contribution的变化,以转化为bias function的效用.

然而,如果这个成立的话.
那么就说明两点,
一是其他人的预期/决策模型/模式的改变不会改变任何forecast的事实,也就是说其他人的"主观能动性"是零.
二是做forecast的个体,可以在不改变其他结果的情况下,通过某种要素x实现对个人愿望结果的偏差操纵.

而这两点是互相矛盾的.
在基于个体都是平等的前提下.

当然如果这个个体是一个系统外的超越性存在的话,就另当别论了.

既然这两点是矛盾的.
那么对于给定的描述:

"如果一个人在能forecast所有事情的前提下,并且能够依此满足自己的任何需求的话.那么,对于这个人,存在一个要素x,使得这个要素x能够影响其他人的先期预期."

就是不存在逻辑关联性的.

也就是说,对于命题:
存在一个要素x,这个要素满足能够影响别人的先期预期.
是不成立的.

也即
delta(return) = Y(x)
是并不reasonable的.

所以结论回退到:
delta(return) = F(E_i,Fact_i)

即,即使能够forecast所有事情的发生,那么也无法操作自己的期望结果与实际事实的偏差.

即使E_i是一个random variable,但也是一个与forecast个体无关的函数.

也就是说,即使能够预知未来,但也无法确切地改变什么.

所谓事实.













投其所好

最近看了持械入宋,发觉AI的发展或者说经济化还是非常一日千里的. 虽然说短剧本身也不是什么新事物了. 甚至AI制作也不是最近才有的. 只是从质量上来说,还是看得出来是有区分度,或者说ROI门槛了的. 这片虽然从服化道方面来说还是普通的AI剧,甚至剧情大半夜还是传统的龙王归来模式....