빠르고 해석 가능한 퍼지 트리 학습 알고리즘

초록

본 연구는 해석 가능한 의사결정을 위한 퍼지 규칙 기반 시스템의 계산 비효율성 문제를 해결합니다. 기존 진화론적 접근법은 높은 계산 비용이, ANFIS와 같은 신경망 기반 방법은 언어적 해석성을 유지하기 어렵다는 한계가 있었습니다. 저자들은 기존의 결정 트리 분할 알고리즘을 퍼지 논리에 적용한 ‘탐욕적 퍼지 규칙 트리 유도’ 방법을 제안합니다. 이 방법은 사전 정의된 언어적 분할을 바탕으로 탐욕적 조건 선택을 통해 규칙 기반을 구축하며, 진화론적 접근법에 비해 훨씬 빠른 실행 시간을 보이면서도 경쟁력 있는 예측 성능과 제한된 복잡도의 해석 가능한 규칙 기반을 생성합니다.

상세 분석

이 논문의 기술적 핵심은 두 가지 주요 기여로 나눌 수 있습니다. 첫째는 ‘탐욕적 퍼지 규칙 트리 유도(Greedy Fuzzy Rule Tree Induction)’ 알고리즘이며, 둘째는 ‘퍼지 분할 최적화(Fuzzy Partition Optimization)’ 프레임워크입니다.

알고리즘의 핵심 메커니즘은 기존 CART와 같은 결정 트리의 탐욕적(Greedy), 상향식(Top-down) 접근법을 퍼지 영역으로 확장한 것입니다. 각 노드에서 알고리즘은 사용 가능한 모든 퍼지 조건(예: ‘Age is High’)을 평가하여, 퍼지 지니 불순도(Fuzzy Gini Impurity) 감소를 최대화하는 단일 조건을 선택합니다. 이때, 한 특징이 경로 상에서 중복 사용되는 것을 방지하여 모순된 규칙(예: ‘Age is High’ and ‘Age is Low’)이 생성되지 않도록 합니다. 또한, 이진 분할이 아닌 언어적 분할에 따른 자연스러운 다중 분기(Multi-way Branching)를 지원합니다. 결과적으로 루트에서 리프까지의 각 경로가 하나의 완전한 퍼지 규칙(IF-THEN 형태)을 구성하게 됩니다. 계산 복잡도는 O(n·m·k·d)로 분석되며, 여기서 n은 데이터 수, m은 특징 수, k는 특징당 평균 언어적 항목 수, d는 최대 트리 깊이입니다. 이는 수천 번의 적합도 평가가 필요한 진화론적 알고리즘에 비해 상당한 효율성 향상을 의미합니다.

두 번째 기여인 퍼지 분할 최적화는 알고리즘의 성능과 해석성을 동시에 높이는 역할을 합니다. 사다리꼴(Trapezoidal) 소속 함수의 매개변수를 최적화하여 데이터의 클래스 분리성을 극대화하는 ‘분리성 지수(Separability Index)‘를 목표 함수로 사용합니다. 특히 주목할 만한 것은 ‘인터리브 인코딩(Interleaved Encoding)’ 기법입니다. 이는 인접한 언어적 항목(예: Low, Medium, High)의 소속 함수 매개변수를 교차하여 단조 증가하는 차이값으로 표현함으로써, 최적화 과정에서 제약 조건(예: a≤b≤c≤d, 순서 유지)을 자동으로 만족시키도록 보장합니다. 이는 제약 조건을 명시적으로 처리하는 번거로움을 없애면서도 해석 가능한 언어적 분할의 구조를 유지합니다.

이 방법론의 강점은 계산 효율성(Efficiency), 해석 가능성(Interpretability), 제어 가능한 복잡도(Controlled Complexity)라는 세 가지 목표를 균형 있게 달성했다는 점입니다. 탐욕적 접근은 효율성을, 미리 정의되고 최적화된 언어적 분할은 해석성을, 그리고 트리 깊이와 분할 임계값(θ)을 통한 조기 종료는 규칙 기반의 크기와 복잡도를 사용자가 제어할 수 있게 합니다.