Bayes çıkarımı, prior'un desteğini korur. Bu nedenle, kabul edilebilir hipotezlerin alanını değiştiren herhangi bir süreç Bayes çerçevesinin dışındadır. Aynı durum tüm sabit destekli çıkarımlar için de geçerlidir. Bayes yöntemleri sadece kanonik bir örnektir.

Bayes çıkarımıyla bu sorunun geleneksel çözümü, kabul edilebilirlik meselesini atlatarak tüm hesaplanabilir hipotezleri destekleyen bir başlangıç öncesi seçmek (örneğin Solomonoff öncesi) ve oradan daraltmaktır.

Bu yaklaşımın sorunu, Solomonoff öncenin hesaplanamaz olmasıdır. Herhangi bir gerçekleştirilebilir yaklaşım, sonlu bir hipotez uzayına sınırlıdır—bu noktada orijinal problem geri döner.

Hiyerarşik modeller Bayes model indirgemesi ve benzeri teknikleri mümkün kılar, ancak nihayetinde hiyerarşinin en üst seviyesinin ötesine geçemeyeceği sabit bir destek vardır.

Yani desteği genişleten öğrenme, Bayes çıkarımı da dahil olmak üzere herhangi bir sabit destek yöntemiyle tam olarak tanımlanamazsa, o zaman bu ne tür bir çıkarımdır?

Bir bozulma sürecin desteğinin dışındaysa, güncelleme için kanıt olarak işlenemez. Bunun yerine, öğrenme, perturbasyonun süreci doğrudan nedensel olarak yeniden yapılandırmasıyla gerçekleşmelidir.

Destek genişletme varyansı, ortamın şu anda sıfır ölçüsünü atadığı boyutlarda çevresel olarak etkilemesine izin vermesiyle ortaya çıkar. Doğal gradyan üzerinden öğrenmek, model yerine alt tabakanın gradyantı.

Bir ajanın inançları zorunlu olarak ya kendi kontrolü altındadır (GDI makalesinin ajans olarak tanımladığı şey) ya da çevreler (GDI makalesinin ise plastisite) altında olur.

Özen hakkı olmadan, bir süreç kendi içinde ve dünyada başarılı bir şekilde hareket edemez ve kendi aziyatı sürdüremez. Plastiklik olmadan, bir model inançlarının çatlaklarındaki bilinmeyen açıları, gerçekliğin gizli boyutlarını keşfedemez ve dünya değiştiğinde ölecektir.

(Dilin üzerinde çalışmada bana yardımcı olduğu için Claude Opus'a teşekkürler, orijinal başlıktan çok daha sıkı!)