거친 집합 이론의 계량과 계수 체계 혁신

초록

본 논문은 저자 고유의 ‘거친 자연수 체계’를 이용해 전통적인 거친 집합 이론(RST)의 다양한 측정값을 개선하고, 기존의 입자 이론(Granule Theory) 의존성을 최소화한다. 새로운 계수 절차와 변증법적 카운팅 개념을 도입해 포함 함수, 지식 의존도, 거친 동등성 등 핵심 측정치를 보다 풍부한 정보와 정량적 해석을 제공하도록 확장한다.

상세 분석

논문은 먼저 전통적인 RST에서 근본적인 모호성 처리를 위해 등가 관계에 기반한 하위·상위 근사 연산이 사용되는 점을 상기한다. 그러나 이러한 접근은 ‘입자(Granule)’라는 개념에 과도하게 의존하며, 복합적인 관계나 커버 기반 모델에서는 모호성이 충분히 드러나지 않는다. 이를 극복하기 위해 저자는 ‘Rough Y‑System(RYS+)’이라는 새로운 대수 구조를 정의한다. RYS+는 집합 S, 부분집합 W, 이진 관계 P(부분 포함)와 일련의 하위·상위 사상(l_i, u_i), 그리고 연산자(+,·,∼) 등을 포함한다. 특히 l_i와 u_i는 각각 하위와 상위 근사를 나타내는 전사 함수이며, P 관계를 통해 부분·전체, 겹침, 포함 등 전통적인 집합 연산을 일반화한다.

RYS+의 핵심은 ‘변증법적 카운팅(dialectical counting)’ 개념이다. 기존의 카운팅은 원소가 명확히 구분될 때만 적용 가능했지만, RYS+에서는 서로 indiscernible(구별 불가)한 원소들을 동일한 ‘거친 수’로 묶어 계산한다. 이를 위해 저자는 ‘거친 자연수 체계’를 도입해, 예를 들어 동일한 등가 클래스에 속하는 원소들을 하나의 카운트 단위로 취급하고, 이러한 단위들의 합·곱 연산을 정의한다. 이러한 체계는 전통적인 자연수 체계와는 달리 비가환성, 약한 결합법칙 등을 허용함으로써 모호성을 정량화한다.

논문은 또한 기존 RST에서 사용되는 포함 함수(α‑inclusion)와 지식 의존도(knowledge dependency) 측정값을 새롭게 정의한다. 기존 정의는 부분 집합 관계만을 고려했으나, 새로운 정의는 RYS+의 P 관계와 l_i, u_i 사상을 이용해 ‘거친 포함’과 ‘거친 겹침’ 정도를 정량화한다. 예를 들어, 두 집합 A와 B에 대해 거친 포함 정도는 O(A,B) = |{x∈A | P(x,B)}| / |A| 로 정의되며, 이는 원소가 B에 부분 포함되는 비율을 나타낸다. 이러한 측정은 기존의 0‑1 값이 아니라 0과 1 사이의 실수값을 제공해 보다 미세한 차이를 포착한다.

또한 저자는 ‘객체 수준(object level)’과 ‘메타 수준(meta level)’을 명확히 구분한다. 객체 수준은 실제 관측 가능한 현상이나 데이터 테이블을 의미하고, 메타 수준은 이러한 객체들을 기술·분석하는 이론적 구조를 의미한다. RYS+는 두 수준 사이의 사상(l_i, u_i)을 통해 객체 수준의 모호성을 메타 수준에서 정형화한다. 이를 통해 다중 지식 모델 간의 상호 일관성(consistency) 검증이 가능해진다.

마지막으로 논문은 여러 사례를 통해 제안된 프레임워크의 적용 가능성을 보여준다. 사과의 색·형태·피부 질감 등 다중 속성을 가진 객체를 ‘입자’로 분해하고, 각 입자에 대한 거친 카운트를 수행함으로써 전통적인 집합론적 접근보다 풍부한 정보가 얻어진다. 교육 현장에서 아이들의 개념 형성 과정을 모델링할 때도, 다양한 ‘개념 입자’를 정의하고 그들 간의 거친 포함 관계를 측정함으로써 학습자의 인지 구조를 정량화할 수 있다. 전반적으로 논문은 RST의 측정 이론을 ‘거친 수학’이라는 새로운 정량적 기반 위에 재구성함으로써, 기존 이론이 갖는 한계를 극복하고 보다 실용적인 분석 도구를 제공한다.