이질적 데이터셋을 위한 퍼지 유추 기반 소프트웨어 노력 추정

초록

본 논문은 수치형과 범주형 속성을 동시에 포함하는 이질적 프로젝트 데이터에 대해, 퍼지 논리와 유추 기반 추론을 결합한 새로운 노력 추정 모델을 제안한다. 기존 유사도 기반 방법이 범주형 변수와 언어적 불확실성을 제대로 다루지 못하는 문제를 해결하고, MMRE 평가에서 기존 기법보다 우수한 성능을 보임을 실험적으로 입증한다.

상세 분석

이 논문은 소프트웨어 비용 추정 분야에서 오래된 문제인 “범주형 변수와 언어적 불확실성 처리의 어려움”을 핵심으로 삼고 있다. 전통적인 유사도 기반(Analogy) 기법은 주로 수치형 속성에 의존하며, 범주형 속성을 단순히 0‑1 인코딩하거나 원-핫 방식으로 변환해 사용한다. 그러나 이러한 변환은 속성 간 의미적 거리를 왜곡하고, 특히 ‘높음/보통/낮음’과 같은 언어적 등급을 수치화할 때 발생하는 모호성을 충분히 반영하지 못한다. 논문은 이를 보완하기 위해 퍼지 집합 이론을 도입한다. 구체적으로, 각 언어적 등급을 퍼지 멤버십 함수(예: 삼각형, 가우시안)로 모델링함으로써 “높음”이라는 개념이 특정 값 주변에서 점진적으로 감소하는 형태를 구현한다. 이렇게 하면 동일한 등급이라도 실제 값에 따라 차등적인 가중치를 부여할 수 있다.

또한, 퍼지 양화자(fuzzy quantifiers)를 활용해 “대부분”, “일부”와 같은 정성적 표현을 정량화한다. 이는 프로젝트 집합 전체에 대한 전역적 유사도 계산 시, 단순 평균이 아닌 가중 평균을 적용하게 해, 데이터의 이질성을 보다 정교하게 반영한다. 논문은 이 과정을 “퍼지 유추(Fuzzy Analogy)”라 명명하고, 기존 유사도 측정식에 퍼지 거리 함수를 삽입한다. 거리 함수는 수치형 속성에 대해서는 전통적인 유클리드 거리, 범주형 속성에 대해서는 퍼지 멤버십 차이의 합으로 정의된다.

실험 부분에서는 공개된 이질적 데이터셋(예: NASA, COCOMO‑81 변형)을 사용해 MMRE와 MdMRE를 비교한다. 결과는 퍼지 유추 모델이 기존 COCOMO‑II, 기본 유사도 기반, 그리고 최근의 머신러닝 회귀 모델보다 평균 MMRE가 약 12% 정도 낮게 나타난다. 특히, 범주형 비중이 높은 프로젝트군에서 성능 격차가 크게 나타나, 제안 방법이 범주형 데이터 처리에 강점을 가지고 있음을 시사한다.

하지만 논문에는 몇 가지 한계도 존재한다. 첫째, 퍼지 멤버십 함수의 파라미터(중심, 폭)를 전문가 주관에 의존해 설정했으며, 자동 튜닝 메커니즘이 제시되지 않았다. 둘째, 데이터셋 규모가 제한적이어서 대규모 산업 현장 적용 시 일반화 가능성을 검증하기 어렵다. 셋째, MMRE 자체가 극단값에 민감한 평가 지표이므로, 추가적인 정확도 지표(R², PRED(25))를 함께 제시했으면 더 설득력이 있었을 것이다. 전반적으로, 퍼지 논리와 유추 기반 추론을 결합한 접근법은 이질적 데이터 처리에 새로운 시각을 제공하지만, 파라미터 최적화와 확장성 검증이 향후 연구 과제로 남는다.