反問題（inverse problem）

我們計算的大多數東西都是往前跑：給定原因，預測結果。給定一台 CT 掃描儀的 X 光束與一具已知的身體，預測偵測器讀數；給定一種材料的性質，預測光束如何彎折。反問題反向而行：給定量測到的「結果」，回復未知的「原因」。從偵測器讀數重建身體內部的影像；從光束怎麼彎，推斷材料的性質。凡是科學遇上資料之處，反問題就無所不在——醫學影像、地震學、定位油藏、校準氣候模型——因為我們能量測的，通常是我們真正想知道之物的下游。

結構與困難在此。把前向映射寫成 d = F(m)：一個模型 m（未知的參數或影像）透過一個已知的模擬 F 產生預測資料 d。反問題就是：給定觀測資料 d_obs，回復 m。麻煩在於，反問題往往在阿達瑪（Hadamard）的意義下是「不適定」的：解可能不存在、可能不唯一，或——最陰險地——可能不連續地依賴於資料。最後那種失敗是致命的：d_obs 中微小的量測雜訊，可能被放大成回復出的 m 裡狂野振盪的擺動，因為前向映射把東西抹平，而把它反演就是「反抹平」並放大。天真地「解」F(m) = d_obs（例如用最小平方）就會去追逐雜訊，產生一個無用、充滿雜訊的答案。標準解藥是「正則化」：你不再要求對資料精確擬合，而是尋求一個既相當不錯地擬合資料、又依某種先驗偏好「合理」（光滑、小、稀疏）的 m。例如吉洪諾夫正則化，就是極小化 ||F(m) - d_obs||^2 + lambda ||m||^2，其中 lambda 那一項懲罰狂野的解，而 lambda 在資料擬合與穩定性之間作權衡。

馴服不適定性有兩大傳統，它們在此相遇。決定論傳統是吉洪諾夫式的正則化：加上一個懲罰項，調那個參數 lambda，得到單一個被穩定化的估計。貝氏傳統則把整件事改寫為機率：把 m 當作不確定的，把你的先驗信念編碼成一個機率分佈，透過貝氏定理把它與資料結合，得到一個關於 m 的「後驗」分佈——不是單一答案，而是一個被量化的、合理答案的範圍，這把反問題直接接上了不確定性量化。（在這個觀點下，吉洪諾夫的懲罰項恰好就是一個高斯先驗。）誠實的訊息就是重點所在：反問題的答案，鮮少是前向問題所給的那種俐落唯一的解。因為問題不適定，那個答案是一個「選擇」——它取決於你所施加的正則化或先驗——而報告它卻不承認這份依賴、又不附誤差範圍，就是把這個問題本性強加給你的那份不確定性藏了起來。