본 논문은 에이전트가 참 또는 거짓인 명제에 대한 학습 및 지식 획득(LKA)을 베이지안 접근 방식으로 연구합니다. 에이전트는 데이터를 받아 사후 분포에 따라 명제에 대한 믿음을 업데이트합니다. LKA는 외부 정보인 데이터가 에이전트의 믿음을 수정하는 활성 정보로 공식화됩니다. 데이터는 명제와 관련된 여러 특징에 대한 세부 정보를 제공한다고 가정합니다. 이는 데이터가 특징 측면에서 제공하는 제약 조건을 조건으로 사전에 대한 최대 엔트로피인 Gibbs 분포 사후 분포로 이어집니다. 추출된 특징의 수가 너무 적으면 완전한 학습이 불가능하고 완전한 지식 획득은 불가능함을 보여줍니다. 또한, 1차 학습(명제와 관련된 특징에 대한 데이터 수신)과 2차 학습(다른 에이전트의 학습에 대한 데이터 수신)을 구분합니다. 이러한 유형의 2차 학습은 진정한 지식 획득을 나타내지 않는다고 주장합니다. 본 연구 결과는 통계적 학습 알고리즘에 시사점을 가지며, 이러한 알고리즘이 항상 진정한 지식을 생성하는 것은 아니라고 주장합니다. 몇 가지 예시를 통해 이론을 설명합니다.
