정보 융합 기반 의사결정 지원 프레임워크 설계

초록

본 논문은 Dezert‑Smarandache Theory(DSmT)와 비례 충돌 재분배( PCR) 기법을 이용해 기본 신념 할당을 결합하고, 이를 pignistic 확률로 변환한 뒤 Bayesian Network와 연계해 이유 추론까지 수행하는 4계층 다중‑레이어 프레임워크를 제안한다. 실제 사례를 통해 DSmT 기반 융합이 보다 현실적인 신념과 신뢰성 높은 pignistic 확률을 제공함을 입증하고, 제안 시스템이 기존 정보 융합 모델 대비 의사결정 지원 측면에서 우수함을 비교 실험으로 확인한다.

상세 분석

제안된 프레임워크는 하위‑상위 순서로 네 개의 기능적 레이어를 구성한다. 첫 번째 레이어는 다원적 가설 공간을 허용하는 DSmT를 기반으로 하여, 서로 상충되는 증거들을 비례 충돌 재분배(PCR) 메커니즘을 통해 조정한다. 기존 Dempster‑Shafer 이론이 충돌 상황에서 과도한 신뢰도를 부여하는 문제점을 보완하고, 복합 사건에 대한 신념 함수를 보다 균형 있게 재분배한다는 점이 핵심이다. 두 번째 레이어에서는 결합된 신념 할당을 pignistic 변환을 통해 확률값으로 전환한다. 이 변환은 신념 이론과 확률론 사이의 다리 역할을 하며, 의사결정 단계에서 확률적 해석을 가능하게 한다. 세 번째 레이어는 변환된 pignistic 확률을 입력으로 받아 Bayesian Network를 활용해 원인‑결과 관계를 추론한다. 여기서 Bayesian Network는 사전 확률과 조건부 확률을 이용해 각 가설의 근본 원인을 정량화하고, 의사결정자가 “왜 이런 결과가 도출되었는가”를 파악하도록 돕는다. 마지막 레이어는 각 가설에 대한 최종 확률값을 기반으로 순위 매김을 수행해 의사결정 지원에 직접 연결한다.

실험에서는 다양한 운영 조건(센서 노이즈 수준, 증거 출처 신뢰도 차이 등)을 시뮬레이션하여, DSmT‑PCR 결합이 전통적인 Dempster‑Shafer 결합에 비해 신념 분포의 왜곡을 최소화하고, pignistic 확률의 분산을 감소시킴을 확인했다. 또한, Bayesian Network와 연계했을 때 원인 추론 정확도가 12 % 이상 향상되었으며, 최종 의사결정 순위가 실제 상황과 높은 일치도를 보였다. 비교 연구에서는 기존의 단일‑레이어 융합 시스템(예: 단순 Dempster‑Shafer + 의사결정 규칙)과 대비해 제안 프레임워크가 의사결정 신뢰도와 해석 가능성 측면에서 우수함을 입증했다.

이러한 결과는 정보 융합 단계에서 고도화된 신념 조정 기법을 적용하고, 이를 확률적 해석 및 인과 추론과 연결함으로써, 복합 환경에서의 의사결정 지원 체계를 크게 강화할 수 있음을 시사한다. 특히, DSmT의 다중 가설 허용 특성과 PCR의 충돌 재분배가 결합돼, 불확실하고 상충되는 데이터가 다수 존재하는 실제 시스템(예: 군사 감시, 재난 관리, 스마트 제조)에서 실용적인 의사결정 도구로 활용될 가능성이 높다.