A data-driven classifier integrating symmetric intuitionistic fuzzy TOPSIS with self-interactive sequential three-way decision

기술 요약: 대칭적 직관적 퍼지 TOPSIS와 자기 상호작용적 순차적 3원 결정(S3WD)을 통합한 데이터 기반 분류기

문제 정의
이진 분류 작업은 종종 불확실성, 망설임, 그리고 클래스 경계의 중첩과 관련된 문제에 직면한다. 로지스틱 회귀나 서포트 벡터 머신과 같은 기존 방법들은 효과적이지만, 복잡한 형태의 불확실성을 처리하는 데 어려움을 겪을 수 있다. 퍼지 집합과 순차적 3원 결정(S3WD)은 이러한 문제를 해결하기 위한 이론적 확장을 제공한다. 그러나 현재의 접근 방식들은 다음과 같은 구체적인 한계를 지닌다:

1. 주관성 및 편향: 직관적 퍼지 TOPSIS(IF-TOPSIS) 방법은 종종 주관적인 속성 가중치나 비대칭적 근접도 공식을 사용하여 방향성 편향을 유발한다.
2. 오분류 누적: 전통적인 S3WD 모델은 일반적으로 속성 집합을 점진적으로 확장함으로써 모호한 인스턴스를 해결한다. 이는 초기 단계에서 낮은 결정 정확도를 초래할 수 있으며, 속성이 추가됨에 따라 오분류가 누적될 수 있다.
3. 임계값 의존성: 기존의 S3WD 모델은 임계값을 결정하기 위해 손실 함수에 크게 의존하며, 이 함수는 수동으로 설정되거나 계산 비용이 많이 든다.
4. 통합의 결여: TOPSIS 기반 분류 설정에서 객관적인 속성 가중치 부여와 삼분 결정(trisecting) 프로세스를 통합하는 것에 대한 탐구가 부족하다.

방법론
본 논문은 대칭적 직관적 퍼지 TOPSIS와 자기 상호작용적 순차적 3원 결정 메커니즘을 통합한 SIF-TOPSIS-S3WD라는 통합된 데이터 기반 프레임워크를 제안한다. 방법론은 세 가지 뚜렷한 단계로 진행된다:

1. 객관적 가중치 결정:
   저자들은 수동 가중치 부여 대신, 직관적 퍼지 환경 내에서 개선된 섀넌 엔트로피(Shannon entropy) 기반 방법을 사용한다. 이 접근 방식은 소속도(membership), 비소속도(non-membership), 그리고 망설임 정도(hesitation degree)를 기반으로 기초 정보량($E_{ij}$)을 계산한다. 이러한 측정값들은 엔트로피 값을 계산하기 위해 정규화되며, 이후 객관적인 속성 가중치를 도출하는 데 사용된다. 가중치는 아타나소프형(Atanassov-type) 거듭제곱 연산을 통해 결정 행렬에 삽입되며, 이는 직관적 퍼지 구조를 보존하면서 고가중치 속성은 강화하고 저가중치 속성은 억제한다.

2. 대칭적 직관적 퍼지 TOPSIS:
   프레임워크는 각 객체에 대해 대칭적 상대 근접도를 계산한다. 전통적인 TOPSIS와 달리, 이 방법은 다음과 같다:

• 사전 정의된 속성 유형 대신 순효과 점수($\mu' - \nu'$)를 기반으로 양의 이상해(Positive Ideal Solutions, PIS)와 음의 이상해(Negative Ideal Solutions, NIS)를 동적으로 식별한다.
• PIS와 NIS 사이의 거리를 계산하기 위해 max-type 대칭 메트릭을 사용한다. 이 메트릭은 소속도와 비소속도 편차를 동등하게 취급하여 방향성 편향을 제거한다.
• 양의 이상해에 대한 인력(attraction)과 음의 이상해에 대한 척력(repulsion)을 모두 반영하는 상대 근접도($T_i$)를 계산한다.

3. 자기 상호작용적 순차적 3원 결정 (S3WD):
   속성 집합을 확장하는 대신, 분류기는 고정된 속성 집합에서 작동한다. 이 모델은 연속적인 상대 근접도를 내부 피드백 루프를 통해 계층적 분류 결정(양, 음, 경계 영역)으로 변환한다:

• 임계값 순회: 현재 경계 영역에 있는 객체의 수에 따라 후보 임계값 쌍 $(\alpha, \beta)$의 유한한 그리드가 생성된다.
• 확률 평가: 각 객체에 대해, 상대 근접도로부터 양, 음, 또는 경계 영역에 속할 가능성을 추정하기 위한 확률 평가 함수($h_1, h_2, h_3$)가 도출된다.
• 최적의 삼분 결정: 삼분 평가 척도($H$)는 다양한 임계값 조합의 품질을 정량화한다. 알고리즘은 $H$를 최대화하는 임계값 쌍을 반복적으로 선택하여, 손실 함수가 없는 적응형 결정 프로세스를 생성한다.
• 종료: 이 과정은 남은 경계 객체들에 대해 수렴하거나 더 이상 고유한 최적의 삼분이 결정될 수 없을 때까지 반복되며, 이는 점진적인 속성 확장에 따른 오분류 누적 위험을 본질적으로 방지한다.

주요 기여
본 논문은 세 가지 주요 기여를 식별한다:

1. 객관적 가중치 부여: 망설임 정보를 포함하여 속성 가중치를 객관적으로 결정하기 위해 향상된 직관적 퍼지 섀넌 엔트로피 접근법을 도입함으로써, 기존 IF-TOPSIS 모델에서 흔히 나타나는 주관적 편향을 줄였다.
2. 대칭적 평가: max-type 거리에 기반한 대칭적 상대 근접도를 제안하였다. 이는 소속도와 비소속도 정보의 편차에 대해 균형 잡힌 페널티를 부과하여 기하학적 일관성을 개선한다.
3. 손실 함수가 없는 S3WD: 상대 근접도와 내부 자기 상호작용 메커니즘에 의존하는 새로운 순차적 3원 결정 프레임워크를 구축하였다. 이는 고정된 속성 집합에서 적응형 동적 임계값을 통해 계층적 결정을 생성하며, 전통적인 S3WD 설정에서 발견되는 오분류 누적 문제를 자연스럽게 피한다.

실험 결과
제안된 분류기는 UCI 머신러닝 저장소(예: Wdbc, Breast, Glioma, German)의 9개 이진 분류 데이터셋에 대해 평가되었다.

• 성능: 이 방법은 특히 **재현율(Recall)**과 F1-score 측면에서 경쟁력 있는 결과를 달eric 성취하였다. 여러 데이터셋(Breast, Glioma, German, Statlog)에서 최고 또는 공동 최고 결과를 얻었으며, 비교된 방법들 중 가장 높은 평균 재현율을 보여주었다. Naive Bayes가 일부 지표에서 더 높은 평균 정확도를 보였으나, SIF-TOPSIS-S3WD는 정밀도와 재현율 사이의 유리한 균형을 제공하였다.
• 강건성: 최대 30% 수준의 혼합 특성 섭동(가우시안 노이즈, 결측치, 이상치) 하에서도 제안된 방법은 안정적인 성능을 유지하였다. 이 방법은 섭동 수준에 관계없이 지속적으로 상위 3위 안에 들었으며, 데이터 오염에 더 민다는 것을 발견한 전통적인 TOPSIS 변형 모델들보다 우수한 성능을 보였다.
• 민감도: 망설임 파라미터($\pi$)에 대한 민감도 분석은 최적값이 데이터셋에 따라 달라짐을 나타냈으며, 이는 보편적인 상수가 아닌 데이터 기반 튜닝이 필요함을 시사한다.

의의 및 주장
저자들은 대칭적 직관적 퍼지 표현과 순차적 3원 결정 사이의 시너지가 이진 분류를 위한 강건하고 해석 가능한 프레임워크를 제공한다고 주장한다. 본 연구의 의의는 다음과 같다:

• 순위 중심의 IF-TOPSIS에서 계층적 분류 메커니즘으로 전환하였다.
• 전통적인 S3WD 모델에서 수동적인 손실 함수 명시의 필요성을 제거하는 손실 함수가 없는 대안을 제공한다.
• 점진적인 속성 확장 대신 고정된 속성 집합과 적응형 임계값을 사용하여 오분류 누적 문제를 완화한다.
• 제안된 분류기가 데이터 오염에 대해 경쟁력 있는 성능과 강건성을 갖춘 데이터 기반, 가중치 인식 접근법임을 입증하였다.

본 논문은 해당 방법이 모든 데이터셋과 지표에서 일률적으로 압도적이지는 않다는 점을 언급하며 겸허하게 결론을 맺는다. 향후 연구로는 프레임워크를 다중 클래스 설정으로 확장하고, 망설임 정도를 결정하기 위한 학습 기반 메커니즘을 탐구하는 것이 제안된다.