マルコフブランケット

https://scrapbox.io/files/6485dca2db371b001c407610.png

すなわち、未来の挙動が現在の値だけで決定され、過去の挙動と無関係であるという性質を持つ確率過程である。

↓

統計学や機械学習において、ある変数の集合で確率変数を推論したいとき、通常はある部分集合で十分であり、それ以外の変数は無用である。このような、有用な情報をすべて含む部分集合をマルコフブランケットと呼ぶ。

有用な情報をすべて含む部分集合がマルコフブランケット。

因果性ないし、相関性の認められる統計的部分集合

マルコフブランケットが最小である場合、つまり、情報を失うことなくどの変数も落とすことができない場合、それはマルコフ境界と呼ばれる。

マルコフブランケットやマルコフ境界を特定することで、有用な特徴を抽出することができる。

英国の脳神経学者カール・フリストンによれば［Friston, 2013］、細胞膜が果たしている機能は、機械学習に関して唱えられた「マルコフ・ブランケット」と同じ考え方で説明できるのだとする。

↓

マルコフ・ブランケットという考え方は、システムが相対的に局所的な作用関係を中心に構成される場合、「遠い」サブシステムどうしは影響し合わないので、その結果として常に「内部」と「外部」との区分けが起こり、「内部」と「外部」との間に仕切り──即ちマルコフ・ブランケットが生じ、「内部」は「外部」の変化を推論して適応しようとするメカニズムが生成される、という考え方。

細胞膜はまさにこのマルコフ・ブランケットである。

細胞内と細胞外のやりとりはすべて細胞膜を通して行われる。その結果として細胞膜の「内と外」を分ける機能がますます強化される。

↓

フリストンは、従来のように内部のエントロピーの拡大を防ぐために細胞膜が機能していると考えるのではなく、より人工知能的に、細胞はその周辺の環境から「サプライズ・ショック」を受けないように周辺環境に働きかけ、その働きかけを通じて周辺環境を感知するという機能を果たしており、そのことが結果としてあたかも内部のエントロピーの拡大をおさえ自由エネルギーを極小化しているように見えるのだ、と主張している。

↓

この常に外部のデータを感知しながら、「サプライズ・ショック」を受けないようにするメカニズムは、人工知能で活用されているベイズ推定と同値

FEPがベイズ脳と言われる所以。

マルコフ・ブランケットそのものはさらに二つの部分、すなわち「外部」を感知する「感覚」部分（センサ）と、「内部」からの働きかけを行う「行動」部分（アクチュエータ）に分けられるとし、この外部-マルコフ・ブランケット（感覚・行動）-内部というスキーマは、細胞の内外のみならず、まさに脳と外界との関係とも共通なのだと、述べている。つまり、複雑性が増大しパターンを生むメカニズムと、その複雑性を感知するメカニズムとは同型であるということに他ならない（第３章３・１節で紹介したように、深層強化学習は同様にセンサとアクチュエータのループ構成を採用している）。

確率分布で近似して表せるということ。

同調するシステムを制御する時のサブシステムは線形一致性するが、相互に創発的な線形一致を示す系は、あたかも制御に見える。

https://scrapbox.io/files/64ea43d949f7d2001b5c5ed5.png

マルコフ・ブランケットは細胞レベルに現れるだけではなく、さまざまなレベルに適用可能。

動物（人間）というマルコフ・ブランケット

↓

器官というマルコフ・ブランケット

↓

細胞というマルコフ・ブランケット

↓

原子核というマルコフ・ブランケット

システムが（非平衡）定常状態に達したとき、

引用