통합 퍼포먼스 향상을 위한 그래디언트 부스팅 기반 퍼지 규칙 모델 프레임워크

초록

본 논문은 그래디언트 부스팅과 퍼지 규칙 기반 모델을 결합한 통합 융합 프레임워크를 제안한다. 각 반복 단계에서 동적 제어 인자를 통해 퍼지 모델의 기여도를 조절함으로써 과적합 방지, 모델 다양성 확보, 해석 가능성 유지 및 복잡도 감소를 동시에 달성한다. 샘플 기반 보정 메커니즘을 추가해 검증 데이터의 피드백을 반영하고, 실험 결과는 제안 방법이 기존 퍼지 모델 대비 성능과 해석성을 크게 향상시킴을 보여준다.

상세 분석

이 연구는 머신러닝 분야에서 오래된 과제인 “개별 모델의 한계 극복”을 새로운 관점으로 접근한다. 퍼지 규칙 기반 모델은 인간이 이해하기 쉬운 규칙 집합을 제공하지만, 규칙 수가 급증하면 설계·유지보수가 어려워지고, 대규모 데이터에 대한 학습 효율이 떨어지는 문제가 있다. 반면 그래디언트 부스팅은 약한 학습기들을 순차적으로 추가하면서 잔차를 최소화하는 강력한 앙상블 기법으로, 과적합을 억제하기 위한 학습률(learning rate)과 같은 정규화 매커니즘을 내재하고 있다. 논문은 이 두 패러다임을 결합해, 매 반복마다 새로운 퍼지 규칙 모델을 생성하고, “동적 제어 인자”(dynamic factor)를 통해 해당 모델의 가중치를 조절한다는 설계가 핵심이다. 이 인자는 (1) 특정 모델이 전체 앙상블을 지배하는 현상을 방지하고, (2) 모델 간 다양성을 촉진하며, (3) 정규화 파라미터 역할을 수행해 과적합 위험을 낮춘다. 특히, 인자를 학습 과정에서 검증 데이터의 손실 변화에 따라 자동으로 업데이트하는 “샘플 기반 보정 메커니즘”을 도입해, 전통적인 고정 학습률 방식보다 더 유연한 튜닝이 가능하도록 했다.

기술적으로는, 각 퍼지 모델이 입력 공간을 다중 구간으로 분할하고, 각 구간에 대해 전형적인 ‘if‑then‑else’ 규칙을 생성한다. 규칙의 전제부는 멤버십 함수(예: 가우시안, 트라페zo이드)로 표현되며, 결론부는 선형 혹은 상수 출력으로 구성된다. 부스팅 단계에서는 이전 모델들의 예측 오차(잔차)를 계산하고, 이를 최소화하도록 새로운 퍼지 모델을 학습한다. 동적 제어 인자는 잔차 감소율, 규칙 수, 모델 복잡도 등을 종합적으로 고려해 가중치를 할당한다. 따라서 복잡도가 높은 규칙 집합이라도 실제 성능 기여가 낮으면 가중치가 감소해 전체 모델의 해석 가능성을 유지한다.

실험에서는 UCI 표준 데이터셋(예: Adult, Wine Quality, Breast Cancer)과 실제 산업 현장 데이터(제조 공정 결함 예측)를 대상으로 비교 분석했다. 베이스라인으로는 전통적인 퍼지 모델, XGBoost, LightGBM, 그리고 퍼지‑XGBoost 하이브리드(규칙을 사전 처리 단계에만 적용) 등을 사용했다. 결과는 제안 프레임워크가 평균 3~7%의 정확도 향상을 보였으며, 특히 규칙 수가 30% 이하로 감소하면서도 동일하거나 더 높은 F1 점수를 기록했다. 과적합 지표인 검증 손실 곡선에서도 학습 초기에 급격히 감소하던 기존 퍼지 모델과 달리, 제안 방법은 완만하고 안정적인 감소 추세를 보여 정규화 효과가 입증되었다. 또한, 규칙 시각화와 중요도 분석을 통해 도메인 전문가가 모델을 검증·수정하는 과정이 용이함을 확인했다.

이러한 설계는 두 가지 중요한 시사점을 제공한다. 첫째, 부스팅 메커니즘을 퍼지 규칙에 직접 적용함으로써 “규칙 기반 해석성”과 “앙상블 성능”을 동시에 달성할 수 있다. 둘째, 동적 제어 인자와 샘플 기반 보정은 기존 고정 학습률 방식보다 데이터 분포 변화에 민감하게 반응하므로, 실시간 모델 업데이트가 요구되는 환경(예: 스마트 팩토리, 온라인 서비스)에서도 적용 가능하다. 향후 연구에서는 다중 목표 최적화(정확도 vs. 해석성)와 비정형 데이터(텍스트·이미지)에서의 퍼지 규칙 추출 방법을 확장하는 방향이 기대된다.