바렉스트로피 기반 정보 부정확성 측정법

초록

본 논문은 정보 이론의 새로운 지표인 ‘바렉스트로피’를 기반으로 두 확률 변수 간의 부정확성과 가중치 부정확성을 측정하는 방법을 제안한다. 엑스트로피의 생성 함수와 무한급수 표현을 도출하고, 제안된 측정법의 수학적 성질을 분석하며, 하한을 구하고 비교한다. 또한, 바렉스트로피 기반 분산 지수를 도입하여 확률 분포 비교 및 데이터 적합도 평가에 활용하는 방안을 제시한다.

상세 분석

이 논문의 핵심 기술적 기여는 ‘엑스트로피(Extropy)‘라는 상대적으로 새로운 정보 측정 지표의 분산 개념인 ‘바렉스트로피(Varextropy)‘를 확장하여, 두 다른 확률 분포 간의 차이를 정량화하는 새로운 프레임워크를 구축한 데 있다. 기존의 쿨백-라이블러 발산(Kullback-Leibler Divergence) 등이 직접적으로 확률 밀도 함수의 로그 차이를 기반으로 하는 반면, 본 연구에서 제안하는 ‘VarJInaccuracy’ 및 ‘VarJWinaccuracy’는 엑스트로피 함수(-1/2 f(X))의 분산 구조를 활용한다는 점에서 방법론적 차별성을 가진다. 특히, 생성 함수(G_J(X)(t))를 도입하여 엑스트로피의 모멘트 생성 구조를 체계적으로 규명하고, 이를 통해 왜도(Skew_J)와 첨도(Kurt_J) 같은 고차 불확실성 측정 지표까지 자연스럽게 정의할 수 있음을 보였다는 점이 중요하다.

또한, Theorem 3.4에서 보여주듯이, 단조 변환(ϕ) 하에서 제안된 부정확성 측정치가 어떻게 변환되는지에 대한 명확한 공식을 제시하여 측정치의 변환 불변성(Invariance) 특성을 부분적으로 해명했다. Proposition 4.3에서는 ‘VarJ(X|Y)‘가 두 분포가 동일할 때만 0이 되는 ‘발산 측정(Divergence Measure)‘의 성질을 가지지만, 대칭성이나 삼각 부등식을 만족하지 않아 전통적인 거리 함수와는 구별됨을 지적했다. 이는 제안된 측정법이 비대칭적 정보 차이를 포착하는 데 유용할 수 있음을 시사한다. 마지막으로, 5장에서는 단순 불일치 측정치 J(X|Y)만으로는 분포 선택이 모호할 때, 해당 측정치의 분산(VarJ)을 고려한 정규화된 의사결정 규칙((r-J)/√VarJ)을 제안하여 이론적 통찰을 실용적 기준으로 연결한 점이 주목할 만하다.