メインコンテンツへスキップ
見出し画像

【主観と客観の起源】N進数の圏論的解釈(仕切り直しVer.)

    どんな数理に挑む場合でも、まず最初に考えるのがこれ。以下の投稿で最初のチャレンジを敢行しましたが、まとまりが今ひとつなので仕切り直し。

    どうやら圏論はN進数を原則として「桁集合an=[0,1,…,n−1]a_n=[0,1,…,n-1]間を「桁上り(Carry)関手」と「桁下がり(Borrow)関手」が結ぶ」イメージで捉えると分かったので、それを踏まえて全体像を再構築。

    画像
    • おそらくこれ家系図から「親:子→親」「子:親→子」の様な関係を射として抽出する際などにも用いられる汎用対象化(Objectification)メソッドの援用なんじゃないかと推察。

    二値単位(Binaly Unit)概念からの再出発

    二値単位(Binaly Unit)BU∈[0,1])BU \in[0,1])概念から再出発する事にします。多くの数(特に整数)概念の出発点地なる「リクエストがあれば[0]か[1]を返す」ある種の関数。インターフェイスの内側がしばしば「(オブジェクト指向プログラミングでいう)カプセル化」されるのが特徴。

    構造化プログラミングを提唱したエドガー・ダイクストラは、プログラムの段階的詳細化法の知見から、プログラムを構成するアルゴリズムとそのアルゴリズムで用いられるデータ構造は密接に関連しており、アルゴリズムをある程度詳細化してからでないと多くの場合そのデータ構造は決定できないことを指摘した。

    さらに、アルゴリズムに関連するデータ構造を決定するためには、まず必要なデータ構造の存在を変数名で代用、すなわち抽象(abstract)し(これをデータ抽象(data abstract)と呼ぶ)、アルゴリズムの方の詳細化を進めることでそのデータ抽象された変数名が必要とされる情報を徐々に集めてゆき、十分な情報が集まった段階でそのデータ構造を決定させればよいということを示した。なお、データ抽象を駆使してアルゴリズムとそのデータ構造を洗練化(段階的詳細化)したものは真珠(pearl)と呼ばれる。

    このように開発されたプログラムにおいては、アルゴリズムとそのデータ構造は一体不可分のようになるため、プログラムの拡張などにより、アルゴリズムを後から変更する必要が出てくると、必然的に一度決定したはずのデータ構造や関連操作を修正しなくてはならなくなる。しかも、その修正箇所は大規模なプログラム開発であれば多数の関連ソースコードの各所に散在してしまうことになる。

    以上のことを踏まえれば、ほとんど一体不可分のものであるアルゴリズムの操作と、そのアルゴリズムに関連するデータ構造に対しては、異なる名前を持つ異なる真珠として扱うよりも一つの変数名からなる一つのモジュール(module)とした方が、仮に後でアルゴリズムの変更を行うにしても変更箇所がそのモジュールの内部に限定されることになるので、保守管理しやすい。このように、関連するデータとその操作を一つの何かまとまりにまとめることを情報のカプセル化(encapsulation)またはモジュール化(modulization)と呼ぶ。

    デイビッド・パーナスはモジュール間の結合に関する議論を進める上で、プログラムやモジュールに関する設計情報は濫りに公開してはならず、むしろ積極的に隠蔽すべきであるという情報隠蔽(information hiding)の考え方を説いた。つまり、公開すべきものはプログラムやモジュールの仕様であって、その実現手段ではないと主張した。

    公開すべき仕様上の機能を呼び出す機構はインターフェース(interface)と呼ばれる。インターフェースを経由することでモジュールの機能の情報隠蔽をすることができる。ほかに情報隠蔽を実現する機構としては、モジュールの機構自体に公開/非公開(public/private)の区別を指定する方法が一般的である。

    上掲Wikipedia「カプセル化」

    要するにこれも「局所最適解をどう乗り越えるか?」のバリエーション…

    人工知能アルゴリズムにおける活性化関数(Activation function)

    神経生理学における「受容した刺激が閾値を超えると反応する神経の働き」にインスパイアされる形で「ニューラル・ネットワーク元祖」単純パーセプトロン・モデルと(1958年)と推定統計学におけるロジスティック回帰モデル(1958年)に最初に実装されました。

    原則として「試験に合格する/しない」「明日雨が降る/降らない」といった二値情報について条件ごとの確率変化を追求するシンプルな内容から出発。状況に応じた対応の進化が早く否応なく「カプセル化」が進行。

    • N進数論的には桁上り関手(carry functor)に対応する活性化関数(Activation Function)だけでなく桁上り関手(carry functor)に対応する不活性化関数(Deactivation Function)も考えないといけない点に注意。

    古典的確率論に基づく確率の均等割

    そもそも「与えられた対象領域を任意の数で均等割する」考え方はコイントスやダイス振りに由来する古色蒼然な考え方で、19世紀末から20世紀にかけて台頭した頻度主義統計学者から「(コイントスの出目に由来する)二項分布も究極的には正規分布に回帰する」辺りを根拠に全面否定された時期もありました。しかし20世紀後半から始まったベイズ統計学における「理由不十分の原則 (Principle of Insufficient Reason)に基づく事前分布の設定」として華麗な復活を遂げ、情報理論がラグランジュの未定乗数法を用いて、すべての事象が等確率の一様分布こそが情報理論的エントロピーが最大となる離散的確率分布である事を証明したのです。

    すべての事象が等確率の一様分布こそが情報理論的エントロピーが最大となる。つまり他のどんな確率分布の場合よりも、確率変数が実際に観測されたときに得られる情報量の期待値が大きいということである。

    上掲Wikipedia「ラグランジュの未定乗数法」
    • 情報理論的エントロピーが最大となる離散的確率分布を見出すことを考えよう。このときエントロピーは確率を変数とする以下の関数と想定する。

    画像
    • もちろんこれらの確率の合計は1に等しく、束縛条件を表す関数は以下。

    画像
    • ラグランジュ乗数を用いてエントロピー最大の点を見つけるにはすべての i(1から n をとる)に対して次の条件が必要である:

    画像
    • 従って

    画像
    • これら n 個の方程式から次の式が得られるが、それはすべての pi が等しいということを示している(変数は λ だけだから)。

    画像
    • ここで束縛条件∑kPk=1\sum{}_kPk=1を使うとPi=1nPi=\frac{1}{n}。

    ここまで長々とその受難の歴史について綴ってきましたが、要するに「世界を創造した神が森羅万象にあらかじめ事前確率を定めたという信念に反する」とか「宇宙の真理がそんなに単純であって良い筈がない」みたいな懐疑を乗り越えるのに人類がそれだけ掛かったというだけで、そのアルゴリズム(戦略)自体は極めてシンプル。

    • 確率を割り当てる際に、どの結果がより起こりやすいかを示す根拠が全くない場合、すべての可能な結果に等しい確率(一様分布)を割り当て、これを事前確率とする(理由不十分の原則 (Principle of Insufficient Reason))。

    • 事後確率は実際の出目に従う(例えば一枚のコインを1回投げた時の事後確率は「表か裏が100%」で枚数を増やした時の分布は二項分布やベータ分布に従う。

    二値単位(Binaly Unit)概念を満たすのは「N面体サイコロを1回投げる場合の事後確率」なので全体像は例えば以下の様に図式化されます。

    画像
    • ここで思い出すべきなのが「これまで観測された事がない事象については、とりあえず出現確率0と見積もらざるを得ないけど、ここでいう出現確率0%(ルベーグ測度0)は数学的意味合いにおける「本当の0」とは違う」というアレ。この「出現確率0」には、実際現れるまで予想だにしなかった「(それまで進んでいた縁談を全てぶち壊したかもしれない)ガラスの靴の美女」とか「(ガラケー単独派遣を一瞬で終わらせた)iPhone」などの出現可能性がこっそり潜んでいるのです。

    組み分けのフリーレン pic.twitter.com/83M8EUHysm

    — tenten (@tentenchan2525) November 15, 2025
    画像
    • 少なくとも特定の出目が得られた時点で「どの出目も出ない可能性」や「他の目が出る可能性」は排除される。

    • その一方で、本当はどんな出目があり得たか、その全貌を確かめる手段は(少なくともその試行からは)失われる。

    画像
    • 2010年代前半tumblrを采配した第三世代フェミニスト残党の姉様達が封じていたスローガン「私たちはあらゆる女性の(しばしば不可逆的な)判断を尊重する」が、あくまで「家事や育児は夫が担当しない限り妻が担当せざるを得ない」なる条件拘束下での「稼ぎ頭たる夫を仕事に専念させる為に家事も育児も担当する道を選んだ専業主婦の判断も、それを適正な形で分業する道を選んだ共稼ぎ夫婦の判断も同じくらい尊い」などに掛かり「(一切の責任を問われない)単なるお気持ち表明」などには掛からない事が繰り返し強調されていた事を思い出す。そう「現実味」をこういう厳格な形で意識するなら、軽薄な浅慮からの思いつきの一切を「閉世界仮説において最外縁の補集合に蠢くルベーグ測度0の有象無象」として切り捨てられる一方、アラブの大富豪に第三夫人として嫁ぐ道を選んだ女性の擁護が可能となるのである!!

    • 一方、かかる立場の表明は、当時国際的ヒットを飛ばした竹宮ゆゆこ「とらドラ(原作2006年3月~2010年4月、TVアニメ化2008年~2009年)」の作中で ヒロインの友人櫛枝実乃梨が放つ名台詞「アタシにとって何が幸せかはアタシ自身が決める!! 他の誰にも決めさせねぇ!!」を狂信的なまでに信奉していた「親の完全監視下にあるFacebookには藤子不二雄漫画「パーマン」に登場するコピーロボットだけ置いて実質上、亡命してきた小娘達」を味方に取り込む為に必須の懐柔手段も兼ねていたりした。

    画像
    画像
    • こういう観点も踏まえて以下の「(とりあえず確率論的座標系を成立させる為に有限個の区間塊によって全体が被覆されていると考えるが、あらゆる区間の間に無限の「ルベーグ測度0の区間塊」が蠢いていると考える)分類尺度」概念は構築されている。

    「色即是空空即是色」原理:1∞=0,0×∞=1「色即是空空即是色」原理:\frac{1}{∞}=0,0×∞=1

    画像
    • 考えてみれば、そもそも今回の主題たるN進数概念そのもの(各桁が0からN-1の範囲がルベーグ測度1の区間塊によってN等分されたのが桁集合)が、この「均等割条項」の影響下に成立したともいえそうなのである。

    十進数:765.432=7×102+6×101+5×100+4×10−1+3×10−2+2×10−3十進数:765.432=7×10^2+6×10^1+5×10^0+4×10^{-1}+3×10^{-2}+2×10^{-3}

    N進数:∑i=minmaxaiNi(ai∈[0,1,…,N),max≧0,min≦0)N進数:\sum_{i=min}^{max} a_iN^i(a_i \in [0,1,…,N),max≧0,min≦0)

    対角成分の検出

    線形代数の世界が固有値と固有ベクトルの検出に躍起になるのは、それさえあれば対角化が出来るから。

    この操作の内容は連立一時方程式を解いたのと等価。

    画像

    その状態を表すのにしばしば「クロネッカーのデルタ」が用いられます。

    δij=0∣i−j∣δ^{ij}=0^{|i-j|}

    とどのつまり「クロネッカーのデルタ=0の0冪」なる数理を利用して「内積0」とか「相関係数0」とか「分散0」といった直交条件全てを束ねてしまおうという発想。実用の現場ではしばしばここでいう「0~\tilde0=0冪の0」はそれぞれの観測系における−1<0~<+1-1<\tilde0<+1の範囲で許容されます。

    画像

    内積のデルタ$${δ^{i•j}}$$

    δi•j=0∣i∣∣j∣cos⁡(θ)=0∑m=1nimjmδ^{i•j}=0^{|i||j|\cos(θ)}=0^{\sum_{m=1}^ni_mj_m}

    分散のデルタδσ2δ^{σ^2}

    集合Xn∈[x1,x2,…,xn,]が与えられた時、集合X_n \in [x_1,x_2,…,x_n,]が与えられた時、

    Xˉ=1n∑i=1nxiとして\bar{X}=\frac{1}{n}\sum_{i=1}^n x_iとして

    δVar[X]=0σ2,Var[X]=1n∑i=1n(xi−Xˉ)2δ^{Var[X]}=0^{σ^2},Var[X]=\frac{1}{n}\sum_{i=1}^n (x_i-\bar{X})^2

    相関係数のデルタδr[X,Y]δ^{r[X,Y]}

    集合Xn∈[x1,x2,…,xn,]と集合Yn∈[y1,y2,…,yn,]が与えられた時、て、集合X_n \in [x_1,x_2,…,x_n,]と集合Y_n \in [y_1,y_2,…,y_n,]が与えられた時、て、

    Xˉ=1n∑i=1nxi,Yˉ=1n∑i=1nyi\bar{X}=\frac{1}{n}\sum_{i=1}^n x_i,\bar{Y}=\frac{1}{n}\sum_{i=1}^n y_i

    Var[X]=1n∑i=1n(xi−Xˉ)2,Yˉ=1n∑i=1n(yi−Yˉ)2Var[X]=\frac{1}{n}\sum_{i=1}^n (x_i-\bar{X})^2,\bar{Y}=\frac{1}{n}\sum_{i=1}^n (y_i-\bar{Y})^2

    Cov[X,Y]=1n∑i=1n(xi−Xˉ)(yi−Yˉ)Cov[X,Y]=\frac{1}{n}\sum_{i=1}^n (x_i-\bar{X}) (y_i-\bar{Y})

    δr[x,y]=0Cov[X,Y]Var[X]Var[Y]δ^{r[x,y]}=0^{\frac{Cov[X,Y]}{Var[X]Var[Y]}}

    この考え方のさらなる延長線上に「(ラグランジュの未定乗数法を用いた)ミクロ経済学における最大効用の算出」が現れる訳です。

    画像
    画像

    ここでは要するに(数理的には光の屈折率などを求める変分原理を用いて)線形代数でいう固有値と固有ベクトルを求めているのでやはり「対角化」範囲内となります。

    圏論に登場するCat(極小)とCAT(極大)の概念

    二値単位(Binaly Unit)BU∈[0,1])BU \in[0,1])、すなわち「コイントスの結果、出目が表(Head=1)か裏(Tail=0)か確定する過程」に圏論的表現はかなり無頓着。まぁ、ルベール速度論との適合を考えるとこんな人を食った様なイメージにならざるを得ないので…

    画像

    これこそまさに「色即是空空即是色」の世界? まぁオブジェクト指向プログラミングにおける抽象クラスの様なものなので、これ以上厳格に定める必要はなく、むしろ無理矢理定める方が間違っているとも。

    画像

    1進数以上の世界

    ここまで「0進数」の世界に繰り込んだせいで「1進数以上の世界」の見通しが随分と良くなりました。というより「圏論の世界へは関係論しか持ち込めない→その持ち込めない部分を全部Cat:0→1に押し込んでカプセル化した」感じに?

    「桁集合」が構成されるまでの流れ

    画像

    「桁上がり(Carry)」射と「桁下がり(Borrow)」射

     これらを束ねて関手に?

    画像

    ここに登場する「1匹以下(未満)は1匹とカウントする(少なくとも2匹ではない)」という考え方は以下の投稿でも出てきました。統計学では全体合計が一より大きくなるとベイズ更新が起こりますが、そこまでの事態は想定しないという事ですね。

    画像

    こうして観測者側の観測精度が引き上げられたのを受け、上掲の「対角成分の検出の際に許される誤差」の範囲も、そのハードルの大きさを大きく引き上げられる事になります。

    画像

    そんな感じで以下続報…


     
     
    名乗るほどでもないインターネットと路上の観察者。

    あなたへのおすすめ