동적 시스템에서 인식·우연 불확실성의 근사 전파 방법

초록

본 논문은 파라미터에 대한 인식(에피스테믹) 불확실성을 Dempster‑Shafer 구조로, 우연(알레아터리) 불확실성을 확률밀도함수(PDF)로 모델링하고, 두 불확실성을 동시에 전파하는 새로운 프레임워크를 제시한다. 순간 진화 방정식에 기반한 모멘트 전파와 다항 혼돈(Polynomial Chaos) + Bernstein 형태 변환을 이용해 구간 전파를 수행하며, 최종적으로는 누적분포함수(CDF)의 Dempster‑Shafer 구조를 얻어 Smets의 피그니스틱 변환으로 의사결정에 활용한다.

상세 분석

이 논문은 동적 시스템에서 인식 불확실성(에피스테믹)과 우연 불확실성(알레아터리)을 동시에 다루는 방법론을 체계적으로 제시한다는 점에서 의미가 크다. 기존 연구들은 두 종류의 불확실성을 별도로 처리하거나, 베이즈적 접근에 의존해 파라미터를 정확히 알 수 있다는 전제 하에 전파했지만, 실제 엔지니어링 문제에서는 파라미터에 대한 지식이 불완전하고, 그 불완전성을 구간 형태로 표현해야 하는 경우가 많다. 저자들은 이를 Dempster‑Shafer(DS) 구조를 이용해 “닫힌 구간” 형태의 기본 요소와 질량을 부여함으로써 모델링한다.

우선, 우연 불확실성은 조건부 PDF를 유한 차원 파라미터화(예: 가우시안 근사)하고, 그 파라미터를 순간 진화 방정식(모멘트 방정식)으로 전파한다. 여기서 핵심은 Itô‑레마를 적용해 모멘트의 시간 미분식을 도출하고, 다항 형태의 비선형성을 가정함으로써 모멘트 간의 폐쇄 형태를 얻는 것이다. 무한 모멘트 계층을 가우시안 클로저(Gaussian closure)로 1차·2차 모멘트만 보존하도록 제한함으로써 계산 복잡도를 크게 낮춘다.

다음으로, 인식 불확실성은 DS 구조의 구간을 순간 진화 방정식에 대입해 구간 전파를 수행한다. 저자는 기존의 Yager 합성 규칙을 사용해 독립 DS 구조를 결합하지만, 구간 연산에서 발생하는 의존성 문제를 인식하고, 이를 해결하기 위해 Taylor 모델과 Bernstein 형태 기반의 폴리노미얼 혼돈(Polynomial Chaos Expansion, PCE) 기법을 도입한다. PCE를 통해 불확실한 초기 조건과 파라미터를 Legendre 다항식으로 전개하고, Galerkin 투영을 적용해 결정론적 ODE 시스템을 얻는다. 이 시스템을 수치 적분하면 각 모멘트에 대한 PCE 계수를 얻을 수 있다.

Bernstein 형태 변환은 다항식의 구간 경계를 정확히 구할 수 있는 장점을 제공한다. 다항식 혼돈 전개를 Bernstein 형태로 변환한 뒤, Bernstein 다항식의 범위 포획 속성을 이용해 최소·최대 값을 계산함으로써 DS 구조의 새로운 초점 요소(구간)를 얻는다. 이는 기존 구간 연산보다 보수적(conservative)이지 않으며, 시간에 따라 누적되는 의존성 오류를 최소화한다.

최종적으로, 전파된 DS 구조는 “확률 박스(p‑box)” 형태의 CDF 구간을 제공하고, Smets의 피그니스틱 변환을 적용해 단일 확률분포로 변환한다. 이 변환은 기대 효용 이론을 적용할 수 있게 하지만, 불확실성(ignorance)의 양을 정량화하기 위해 제안된 NIDI(Normalized Integral of Degree of Ignorance) 지표를 통해 변환 결과의 신뢰도를 평가한다.

핵심 기여는 (1) 두 종류의 불확실성을 동일 프레임워크 내에서 분리·전파하는 수학적 구조, (2) 모멘트 진화와 PCE‑Bernstein 결합을 통한 구간 전파 기법, (3) DS‑p‑box와 피그니스틱 변환을 연결해 의사결정 단계까지 이어지는 전체 파이프라인이다. 한계점으로는 (가) 가우시안 클로저에 의존해 고차 모멘트 정보를 손실할 가능성, (나) PCE 차수와 Taylor 모델 차수 선택에 따른 계산 비용과 정확도 트레이드오프, (다) DS 구조의 독립성 가정이 현실 데이터에서 위배될 경우 결과가 과보수적일 수 있다는 점을 들 수 있다. 전반적으로 이론적 정밀성과 실용적 적용 가능성을 동시에 추구한 연구라 평가한다.