퍼지 논리를 활용한 사례 기반 추론 효율성 향상 방안

초록

본 논문은 퍼지 논리 개념을 사례 기반 추론(CBR) 과정에 적용하여, 사례 검색·재사용·수정·보존 단계의 불확실성을 정량화하고, 시스템 성능을 평가할 수 있는 퍼지 기반 지표를 제시한다.

상세 분석

논문은 먼저 CBR의 전통적인 4단계 모델(검색, 재사용, 수정, 보존)을 검토하고, 각 단계에서 발생하는 불확실성과 모호성을 퍼지 집합과 퍼지 관계로 모델링한다. 사례의 속성값을 멤버십 함수로 표현함으로써, 유사도 계산 시 이진적 매칭이 아닌 연속적인 유사도 점수를 산출한다. 특히, 검색 단계에서는 퍼지 유사도 행렬을 이용해 다중 기준(속성 가중치, 임계값) 하에서 최적의 후보 사례군을 도출하고, 재사용 단계에서는 퍼지 규칙 기반 적응 메커니즘을 도입해 기존 사례의 해결책을 새로운 문제에 맞게 변형한다. 수정 단계에서는 퍼지 추론을 통해 전문가 피드백을 반영한 수정 정도를 정량화하고, 보존 단계에서는 새로운 사례를 기존 사례베이스에 통합할 때 퍼지 클러스터링을 활용해 중복을 최소화한다. 성능 평가를 위해 제안된 퍼지 효율성 지표(정확도, 적응 비용, 보존 비용 등)를 정의하고, 전통적인 거리 기반 CBR와 비교 실험을 수행한다. 실험 결과, 퍼지 기반 CBR이 불확실한 도메인(예: 의료 진단, 기계 고장 진단)에서 높은 적응 정확도와 낮은 수정 비용을 보이며, 사례베이스 관리 효율성도 향상됨을 확인한다. 논문은 또한 퍼지 논리와 머신러닝(예: 퍼지 신경망) 결합 가능성을 논의하며, 향후 연구 방향으로 동적 멤버십 함수 학습 및 대규모 사례베이스에서의 실시간 퍼지 연산 최적화를 제시한다.