[논문 리뷰] From knowledge-based to data-driven modeling of fuzzy rule-based systems: A critical reflection

Eyke Hüllermeier|arXiv (Cornell University)|2017. 12. 02.

Fuzzy Logic and Control Systems참고 문헌 16인용 수 4

한 줄 요약

이 논문은 퍼지 규칙 기반 시스템에서 지식 기반 모델링에서 데이터 기반 모델링으로의 전환을 비판적으로 분석하며, 기존의 퍼지 규칙 시스템이 평탄한 비계층적 구조와 데이터로부터 규칙을 학습할 경우 발생하는 해석 가능성 상실로 인해 대규모·데이터 집약적 응용 분야에 부적합하다고 주장한다. 주요 기여는 데이터 기반 환경에서의 확장성과 인지적 타당성을 더 잘 지원하는 계층적·기능적 접근을 통해 퍼지 모델링을 재고할 것을 촉구하는 것이다.

ABSTRACT

This paper briefly elaborates on a development in (applied) fuzzy logic that has taken place in the last couple of decades, namely, the complementation or even replacement of the traditional knowledge-based approach to fuzzy rule-based systems design by a data-driven one. It is argued that the classical rule-based modeling paradigm is actually more amenable to the knowledge-based approach, for which it has originally been conceived, while being less apt to data-driven model design. An important reason that prevents fuzzy (rule-based) systems from being leveraged in large-scale applications is the flat structure of rule bases, along with the local nature of fuzzy rules and their limited ability to express complex dependencies between variables. This motivates alternative approaches to fuzzy systems modeling, in which functional dependencies can be represented more flexibly and more compactly in terms of hierarchical structures.

연구 동기 및 목표

• 퍼지 규칙 기반 시스템에서 지식 기반 모델링에서 데이터 기반 모델링으로의 전환을 비판적으로 평가하기.
• 복잡한 고차원 데이터 의존성 처리에 있어 평탄한 규칙 기반 퍼지 시스템의 내재적 한계를 식별하기.
• 데이터 기반 퍼지 모델이 전문가가 설계한 시스템과 동일한 해석 가능성과 인지적 타당성을 유지한다는 가정을 도전하기.
• 특히 계층적 및 기능적 구조를 포함한 대체 모델링 접근 방식을 주장하며, 데이터 기반 환경에서의 확장성과 의미 있는 표현을 더 잘 지원하기.
• 전통적인 퍼지 시스템의 설계 원칙과 현대 기계 학습 요구 사항 간의 괴리, 특히 대규모 데이터 환경에서의 문제를 부각하기.

제안 방법

• 표준 퍼지 규칙 기반 시스템의 구조적 한계를 분석하며, 특히 평탄한 규칙 기반 아키텍처에 초점 맞추기.
• 전문가가 설계한 퍼지 모델의 인지적 이점과 해석 가능성에 비해 데이터 기반 규칙 추출의 과제를 대비 분석하기.
• 데이터 기반 퍼지 집합 구축이 언어적 레이블 할당과 의미적 의미에 미치는 영향 분석하기.
• 모델 투명성과 해석 가능성 유지에 있어 추론 메커니즘과 규칙 집합의 역할 검토하기.
• 계층적 또는 기능적 모델링 접근 방식(예: 패턴 트리)이 평탄한 규칙 기반보다 더 확장 가능하고 해석 가능한 대안을 제공할 수 있음을 제안하기.
• 일반화 능력, 효율성, 모델 선택 지원 측면에서 주류 기계 학습 방법과 비교해 퍼지 규칙 시스템의 이론적 및 알고리즘적 한계 평가하기.

실험 결과

연구 질문

• RQ1 기존의 퍼지 규칙 기반 시스템 철학이 대규모 응용 분야에서 데이터 기반 모델 유도에 부적합한 이유는 무엇인가?
• RQ2 데이터 기반 규칙 추출이 퍼지 모델의 해석 가능성과 인지적 타당성에 어느 정도 영향을 미치는가?
• RQ3 평탄한 규칙 기반의 구조적 한계가 현대의 데이터 집약적 분야에서 복잡한 고차원 의존성 모델링을 방해하는 방식은 무엇인가?
• RQ4 어떤 대체 모델링 철학이 데이터 기반 퍼지 시스템에서의 확장성과 의미 있는 표현을 더 잘 지원할 수 있는가?
• RQ5 데이터 기반 퍼지 모델이 퍼지 논리의 核심적 장점인 인간이 읽을 수 있는 언어적 인터페이스를 어떻게 유지하지 못하는가?

주요 결과

• 표준 퍼지 규칙 기반의 평탄한 구조는 확장성에 심각한 제약을 끼치며, 현대의 데이터 집약적 응용 분야에서 흔한 고차원 의존성의 모델링을 어렵게 한다.
• 데이터 기반 퍼지 집합 구축은 종종 의미가 없는 소속 함수를 초래하며, 이상치와 같은 데이터 아티팩트의 영향을 크게 받는다.
• 퍼지 모델의 해석 가능성은 종종 핵심적 장점로 언급되지만, 데이터에서 자동으로 추출된 모델에서는 언어적 레이블이 공통된 의미 기반을 잃게 되어 심각하게 손상된다.
• 사람 전문가가 모델의 창시자가 아니라 데이터 기반 모델의 소비자에 불과할 경우, 퍼지 규칙 시스템은 인간-기계 인터페이스로서의 주요 이점을 상실한다.
• 지식 기반에서 데이터 기반 모델링으로의 전환은 퍼지 논리가 인간 전문 지식을 투명하고 인지적으로 타당한 방식으로 형식화하는 데 목적이 있었던 본래의 목적을 약화시킨다.
• 현대 기계 학습 방법은 대규모 환경에서 특히 일반화 능력, 이론적 보장(예: 일반화), 모델 선택 지원 측면에서 기존의 퍼지 규칙 시스템을 뛰어넘는다.