[논문 리뷰] Terrorism Event Classification Using Fuzzy Inference Systems

Uraiwan Inyaem, Choochart Haruechaiyasak외 2명|arXiv (Cornell University)|2010. 04. 11.

Network Security and Intrusion Detection참고 문헌 16인용 수 9

한 줄 요약

이 논문은 태국 남부 성지의 테러 사건 예측 정확도를 향상시키기 위해 퍼지 추론 시스템(FIS)과 적응형 신경 퍼지 추론 시스템(ANFIS)을 사용한 테러 사건 분류 프레임워크를 제안한다. 구조화된 데이터를 활용함으로써 ANFIS는 신경망 적응을 통한 규칙 및 소속 함수 자동 학습을 통해 표준 FIS보다 높은 분류 정확도를 달성한다.

ABSTRACT

Terrorism has led to many problems in Thai societies, not only property damage but also civilian casualties. Predicting terrorism activities in advance can help prepare and manage risk from sabotage by these activities. This paper proposes a framework focusing on event classification in terrorism domain using fuzzy inference systems (FISs). Each FIS is a decision-making model combining fuzzy logic and approximate reasoning. It is generated in five main parts: the input interface, the fuzzification interface, knowledge base unit, decision making unit and output defuzzification interface. Adaptive neuro-fuzzy inference system (ANFIS) is a FIS model adapted by combining the fuzzy logic and neural network. The ANFIS utilizes automatic identification of fuzzy logic rules and adjustment of membership function (MF). Moreover, neural network can directly learn from data set to construct fuzzy logic rules and MF implemented in various applications. FIS settings are evaluated based on two comparisons. The first evaluation is the comparison between unstructured and structured events using the same FIS setting. The second comparison is the model settings between FIS and ANFIS for classifying structured events. The data set consists of news articles related to terrorism events in three southern provinces of Thailand. The experimental results show that the classification performance of the FIS resulting from structured events achieves satisfactory accuracy and is better than the unstructured events. In addition, the classification of structured events using ANFIS gives higher performance than the events using only FIS in the prediction of terrorism events.

연구 동기 및 목표

• 태국의 분쟁 영향을 받는 지역에서 테러 사건을 분류하는 데 도전하는 것.
• 정확한 테러 사건 분류를 위한 퍼지 논리 기반 의사결정 프레임워크를 개발하는 것.
• 구조화된 데이터와 비구조화된 데이터에서 FIS와 ANFIS의 성능을 평가하는 것.
• 데이터 기반의 퍼지 규칙 및 소속 함수 최적화를 통해 위험 예측을 향상시키는 것.

제안 방법

• 프레임워크는 입력 인터페이스, 퍼지화 인터페이스, 지식 기반, 의사결정 단위, 출력 탈퍼지피케이션의 다섯 단계로 구성된 FIS 아키텍처를 활용한다.
• 퍼지 추론 시스템은 퍼지 논리와 근사 추론을 사용하여 입력 사건을 분류 결과로 매핑한다.
• ANFIS는 신경망과 퍼지 논리를 통합하여 훈련 데이터로부터 퍼지 규칙를 자동으로 식별하고 소속 함수를 조정한다.
• 시스템은 태국의 세 개 남부 성지에서 수집한 테러 관련 뉴스 기사 데이터셋을 기반으로 훈련 및 평가된다.
• 분류 정확도를 비교하여 FIS와 ANFIS의 성능을 평가하며, 구조화된 데이터와 비구조화된 데이터에서의 성능을 비교한다.
• ANFIS에서는 백프로파게이션과 하이브리드 학습을 통해 지식 기반을 동적으로 조정하여 분류 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 FIS의 분류 정확도는 구조화된 테러 사건과 비구조화된 테러 사건 간에 어떻게 비교되는가?
• RQ2 ANFIS는 테러 사건 예측에서 표준 FIS보다 분류 성능을 향상시킬 수 있는가?
• RQ3 데이터 구조가 테러 사건 분류에서 퍼지 추론 모델의 효과성에 얼마나 큰 영향을 미치는가?
• RQ4 ANFIS는 실제 테러 사건 데이터로부터 퍼지 규칙 및 소속 함수를 얼마나 잘 학습하고 적응시킬 수 있는가?

주요 결과

• FIS 모델은 비구조화된 사건보다 구조화된 사건에서 더 높은 분류 정확도를 달성했다.
• ANFIS는 구조화된 테러 사건 분류에서 표준 FIS를 능가했으며, 더 뛰어난 예측 능력을 보였다.
• 구조화된 데이터의 사용은 FIS 및 ANFIS 모델의 성능을 크게 향상시켰다.
• ANFIS는 데이터 기반 훈련을 통해 퍼지 규칙를 성공적으로 학습하고 소속 함수를 최적화하여 더 나은 일반화 능력을 확보했다.
• 이 프레임워크는 분쟁 지역에서 실시간 테러 위험 평가에 실용적인 잠재력을 보였다.
• 본 연구는 FIS-신경망 하이브리드 모델인 ANFIS가 테러 사건 분류와 같은 복잡하고 불확실한 영역에서 효과적임을 확인했다.