[논문 리뷰] Dealing with uncertainty in fuzzy inductive reasoning methodology

Francisco Mugica, Àngela Nebot외 1명|arXiv (Cornell University)|2012. 10. 19.

Fuzzy Logic and Control Systems참고 문헌 6인용 수 3

한 줄 요약

이 논문은 퍼지 유도 추론(FIR)에서의 불확실성을 다루기 위해 하이브리드 패턴/퍼지 규칙 전략을 제안한다. 오차 모델을 사용해 높은 불확실성 영역을 식별하고, 이 영역에서는 패턴 규칙과 Sugeno 퍼지 규칙을 결합하여 사용하며, 낮은 불확실성 영역에서는 단지 Sugeno 규칙만을 사용한다. 이 방법은 생물의학 시스템에서 예측 정확도와 내성성을 향상시키며, 데이터 불확실성 하에서 성능 향상이 입증된 심장혈관 조절 모델링에 적용되었다.

ABSTRACT

The aim of this research is to develop a reasoning under uncertainty strategy in the context of the Fuzzy Inductive Reasoning (FIR) methodology. FIR emerged from the General Systems Problem Solving developed by G. Klir. It is a data driven methodology based on systems behavior rather than on structural knowledge. It is a very useful tool for both the modeling and the prediction of those systems for which no previous structural knowledge is available. FIR reasoning is based on pattern rules synthesized from the available data. The size of the pattern rule base can be very large making the prediction process quite difficult. In order to reduce the size of the pattern rule base, it is possible to automatically extract classical Sugeno fuzzy rules starting from the set of pattern rules. The Sugeno rule base preserves pattern rules knowledge as much as possible. In this process some information is lost but robustness is considerably increased. In the forecasting process either the pattern rule base or the Sugeno fuzzy rule base can be used. The first option is desirable when the computational resources make it possible to deal with the overall pattern rule base or when the extracted fuzzy rules are not accurate enough due to uncertainty associated to the original data. In the second option, the prediction process is done by means of the classical Sugeno inference system. If the amount of uncertainty associated to the data is small, the predictions obtained using the Sugeno fuzzy rule base will be very accurate. In this paper a mixed pattern/fuzzy rules strategy is proposed to deal with uncertainty in such a way that the best of both perspectives is used. Areas in the data space with a higher level of uncertainty are identified by means of the so-called error models. The prediction process in these areas makes use of a mixed pattern/fuzzy rules scheme, whereas areas identified with a lower level of uncertainty only use the Sugeno fuzzy rule base. The proposed strategy is applied to a real biomedical system, i.e., the central nervous system control of the cardiovascular system.

연구 동기 및 목표

• 시스템에 대한 사전 구조 지식이 없을 때 Fuzzy Inductive Reasoning (FIR)에서의 불확실성을 다루는 것.
• 큰 패턴 규칙 기반의 계산 부담을 줄이면서도 예측 정확도를 유지하는 것.
• 지역적 불확실성 수준에 따라 패턴 규칙와 Sugeno 퍼지 규칙를 동적으로 선택하는 전략을 개발하는 것.
• 오차 모델을 통합하여 데이터 불확실성을 평가함으로써 예측의 내성성과 정확도를 향상시키는 것.
• 실제 생물의학 시스템인 중추신경계가 심장혈관 시스템을 조절하는 방식을 모델링하여 방법을 검증하는 것.

제안 방법

• 데이터 공간의 다양한 영역에서의 불확실성을 정량화하기 위해 오차 모델을 구축한다.
• 이러한 오차 모델을 사용해 높은 불확실성 영역을 탐지하고, 이에 따라 패턴/퍼지 규칙 혼합 전략을 시행한다.
• 낮은 불확실성 영역에서는 고전적인 Sugeno 퍼지 추론 시스템만을 사용해 예측을 수행한다.
• 높은 불확실성 영역에서는 패턴 규칙과 Sugeno 퍼지 규칙을 모두 결합하여 신뢰성을 향상시킨다.
• 고전적인 Sugeno 퍼지 규칙는 원래의 패턴 규칙 기반에서 자동으로 추출되어 복잡성을 감소시킨다.
• 패턴 규칙 지식의 대부분을 유지하면서도, 퍼지 규칙 추상화를 통해 내성성을 향상시킨다.

실험 결과

연구 질문

• RQ1 FIR의 맥락에서 데이터의 불확실성을 효과적으로 측정하고 지역화할 수 있는가?
• RQ2 다양한 불확실성 영역에서 패턴 규칙와 Sugeno 퍼지 규칙를 최적화하여 사용할 수 있는 전략은 무엇인가?
• RQ3 하나의 규칙 유형만을 사용하는 것과 비교해 복합 규칙 기반 시스템이 예측 정확도와 내성성을 향상시킬 수 있는가?
• RQ4 본 방법은 본질적으로 데이터 불확실성이 존재하는 실제 생물의학 시스템에서 어떻게 성능을 발휘하는가?
• RQ5 오차 모델의 사용이 불확실한 데이터 영역에서 예측의 신뢰성을 얼마나 향상시키는가?

주요 결과

• 패턴 규칙와 Sugeno 퍼지 규칙의 장점을 조합함으로써, 높은 불확실성 영역에서의 예측 정확도가 크게 향상된다.
• 낮은 불확실성 영역에서는 단지 Sugeno 퍼지 규칙 기반만으로도 높은 정확도의 예측이 가능하며, 계산 비용도 감소한다.
• 오차 모델의 사용은 불확실성에 더 높은 내성성을 요구하는 영역를 효과적으로 식별할 수 있도록 한다.
• 패턴 규칙를 Sugeno 규칙로 추상화하는 과정에서 정보 손실를 최소화함으로써 높은 내성성을 유지한다.
• 본 방법은 중추신경계가 심장혈관 시스템을 조절하는 방식을 성공적으로 모델링하여 실용적 유용성을 입증하였다.
• 불확실성 수준에 따라 규칙을 동적으로 선택하는 전략이 고정된 규칙 적용 방식보다 더 우수한 종합 예측 성능을 제공하는 것으로 나타났다.