퍼지 가능성·필요성 베이지안 네트워크: 불확실 지식의 새로운 표현

초록

본 논문은 전통적인 베이지안 네트워크에 퍼지 논리와 가능·필요성 측도를 결합한 프레임워크를 제안한다. 각 노드와 그 속성을 지역적 필요도 기반 지식베이스로 표현하고, 크리시스(확실도) 값을 퍼지 변수로 전이함으로써 모호성과 불확실성을 동시에 다룰 수 있다. 정성적·정량적 두 층을 갖는 이 모델은 대규모 데이터에 대한 효율적 추론과 네트워크의 부드러움·견고성을 제공한다.

상세 분석

논문은 먼저 기존 베이지안 네트워크가 확률적 불확실성만을 다루는 한계점을 지적한다. 확률은 사건 발생 가능성을 수치화하지만, 인간이 직관적으로 사용하는 ‘가능성’이나 ‘필요성’ 같은 질적 판단을 반영하지 못한다. 이를 보완하기 위해 저자들은 가능·필요성 이론(possibilistic logic)을 도입한다. 가능성(Π)은 사건이 일어날 정도의 상한을, 필요성(N)은 하한을 나타내며, 두 값은 서로 보완적인 관계에 있다. 이러한 이론을 베이지안 네트워크의 각 노드에 적용하면, 노드의 상태에 대한 확률분포 대신 필요도 기반 지식베이스(KB)를 구축할 수 있다.

핵심 기법은 ‘지역 필요도 지식베이스(local necessity‑valued KB)’이다. 각 노드 i는 부모 노드 집합 Pa(i)와 결합된 규칙 집합 {φ_k : N(φ_k)} 로 표현되며, φ_k는 논리식, N(φ_k)는 해당 식의 필요도 값이다. 이러한 규칙은 전통적인 조건부 확률표(CPT)와 동일한 역할을 수행하지만, 값이 0‒1 사이의 실수 대신 퍼지 변수(예: “높음”, “보통”, “낮음”)로 정의될 수 있다. 퍼지화 과정은 crisp certainty degree를 멤버십 함수 μ(x)로 매핑함으로써 이루어지며, 이는 네트워크가 입력 데이터의 잡음이나 불완전성에 대해 보다 부드럽게 반응하도록 만든다.

정성적 부분은 논리적 일관성 검증과 추론 규칙의 전파에 초점을 맞춘다. 필요도 값이 높은 규칙은 강력한 전제 역할을 하며, 가능성 값은 보조적인 근거를 제공한다. 정량적 부분은 퍼지 멤버십 함수와 가능·필요성 측도의 조합을 통해 구체적인 추론 결과를 산출한다. 저자들은 이 두 부분을 통합하는 알고리즘을 제시했는데, 기본 흐름은 (1) 입력 데이터를 퍼지화, (2) 지역 필요도 KB에 매핑, (3) 가능·필요성 전파를 통한 전역 신뢰도 계산, (4) 최종 의사결정 규칙 적용이다.

또한 대규모 데이터에 대한 효율성을 확보하기 위해 ‘지식베이스 압축’ 기법을 도입한다. 중복되거나 상호 포함 관계에 있는 규칙을 통합하고, 필요도 값의 최소·최대 경계를 이용해 불필요한 연산을 제거한다. 이 과정은 전통적인 베이지안 네트워크에서 CPT를 압축하는 방법과 유사하지만, 퍼지·가능성 차원을 추가함으로써 더 큰 차원의 축소 효과를 얻는다.

실험 결과는 두 가지 측면에서 긍정적이다. 첫째, 퍼지화된 필요도 값은 기존 확률 기반 모델보다 노이즈에 강인했으며, 특히 데이터 결측이 심한 상황에서 정확도가 5‒10% 향상되었다. 둘째, 가능·필요성 전파는 추론 시간의 복잡도를 기존 O(2^n)에서 O(n·k) (k는 평균 규칙 수) 수준으로 낮추어 실시간 의사결정에 적합함을 보였다.

이러한 기여는 이론적 통합뿐 아니라 실제 시스템 설계에도 적용 가능성을 제시한다. 예를 들어, 의료 진단, 위험 관리, 스마트 팩토리 등에서 전문가의 질적 판단을 정량적 모델에 녹여낼 수 있다. 다만, 퍼지 멤버십 함수 설계와 필요도 값의 초기 설정이 모델 성능에 큰 영향을 미치므로, 도메인 전문가와의 협업이 필수적이다. 향후 연구는 자동 멤버십 함수 학습, 동적 네트워크 구조 적응, 그리고 다중 기준 의사결정과의 연계 등을 제안한다.