Density and Graded Balance in q-Rung Orthopair Fuzzy Graphs, with an Application to Medical Examination

기술 요약: q-rung 직교 쌍 퍼지 그래프(q-Rung Orthopair Fuzzy Graphs)의 밀도 및 등급 균형

문제 제기
본 논문은 퍼지 그래프 이론과 불확실성 하의 의사결정 결정론에 관한 문헌의 두 가지 뚜렷한 격차를 다룬다. 첫째, 그래프 밀도의 개념이 퍼지, 직관적, 피타고라스 설정으로 확장되어 왔으나, 퍼지 그래프에 대해 Al-Hawary와 Almomani가 도입한 $\ast$-밀도($\ast$-density) 개념은 q-rung 직교 쌍(q-ROF) 그래프로 격상되지 않았다. 균형을 정의하려는 기존의 시도들은 완전 그래프(complete graphs)에서 극단적인 값으로 포화되는 정규화된 밀도에 의존하는 경우가 많아, 구조적 특성을 구별하는 데 유용하지 않다. 둘째, 다기준 의사결정(MCDM)을 위한 q-ROF 거리 측정법에 관한 문헌은 요소별 편차의 대칭적 집합(symmetric aggregation)에 크게 의존한다. 본 논문은 이러한 구조의 "맹점"을 식별한다: 대칭적 측정 방식은 서로 다른 요소 간에 동일한 값을 단순히 치환(예: 증상의 심각도를 서로 바꿈)한 프로필을 구별할 수 없으며, 이로 인해 서로 다른 임상 프로필이 동일한 거리 점수를 받는 퇴행적 결과를 초래한다.

방법론
저자는 그래프 이론적 밀도와 의사결정 지표를 통합하는 q-ROF 그래프를 위한 구조적 프레임워크를 개발한다.

1. 분해 및 $\ast$-밀도 프로필:
   본 논문은 모든 q-ROF 그래프 $G$가 두 개의 기저 로젠펠드(Rosenfeld) 퍼지 그래프를 유도한다는 분해 보조정리를 확립한다: 하나는 소속 함수($\mu$)에 기반하고, 다른 하나는 보완된 비소속 함수($\eta = 1 - \nu$)에 기반한다. 이를 통해 각 좌표가 해당 기저 퍼지 그래프의 표준 $\ast$-밀도인 $\ast$-밀도 프로필 $D^*(G) = (D^*_\mu(G), D^*_\eta(G))$를 정의할 수 있다.

2. 이론적 경계 및 축소:
   저자는 기저 크리스프(crisp) 그래프의 최대 차수($\Delta$)에 대한 $\ast$-밀도의 날카로운 상한을 증명하여, 그래프 크기와 관계없이 상수로 기술되었던 기존 퍼지 문헌의 오류를 바로잡는다.
   중심적인 **축소 정리(reduction theorem)**는 상수 정점 함수를 가진 강한(strong) q-ROF 그래프의 경우, 해당 그래프가 고전적 의미에서 균형 잡혀 있다면 $\ast$-균형 상태라는 것을 입증한다. 이는 네 가지 별개의 클래스 정리(완전 그래프, 순환 그래프, 피터슨 그래프, 완전 이분 그래프)를 하나의 논증으로 통합한다.

3. 등급 균형 지수(Graded Balance Index):
   이진적 속성으로서의 균형을 넘어, 본 논문은 $[0, 1]$ 범위의 등급 균형 지수 $\beta(G)$를 정의한다. 이 지수는 정규화된 밀도 시그니처에 대한 로그 메트릭으로부터 유도된다. $\beta(G) = 1$인 것은 그래프가 $\ast$-균형 상태일 때와 동치이다. 지수는 "축소된"(강하고 일정한) 경우 최대 유량(maximum flow) 알고리즘을 통해 다항 시간 내에 계산 가능하며, 일반적인 경우에는 탐욕적 휴리스틱(greedy heuristics)을 통해 계산 가능하다.

4. 의료 진단을 위한 그래프 유도:
   의료 검사에 이 개념을 적용하기 위해, 저자는 증상 집합에 대한 q-ROF 그래프를 유도하는 방법을 제안한다. 완전 그래프를 가정하는 기존 방식과 달리, 이 방법은 참조 가족(예: 질병-증상 지식 베이스 또는 환자 코호트)으로부터 에지 존재 여부와 가중치를 도출한다. 공동 특성화 계수(co-characterization coefficient)는 연결될 증상을 결정하며, 임계값 $\tau$는 균형 지수가 정보를 전달할 수 있도록 그래프를 희소화(sparsify)한다.

5. 판별 정리(Discrimination Theorem):
   본 논문은 요소별 편차를 대칭적으로 집합하는(Minkowski, Hausdorff, 로그 계열을 포함한) 모든 q-ROF 거리 측정법이 서로 치환된 프로필을 구별하지 못한다는 것을 증명한다. 제안된 밀도 시그니처는 이러한 퇴행 문제를 해결하는 것으로 나타났다.

주요 결과 및 응용
방법론은 두 가지 벤치마크를 통해 검증된다:

• 환자 중증도 순위 (섹션 9.2): 응급 의료 평가에 관한 이전 연구의 데이터를 사용하여, 저자는 다섯 명의 환자를 이상적인 건강 프로필 대비 중증도에 따라 순위를 매긴다. 구조적 항(밀도 시그니처)은 점별 거리 항(pointwise distance term)과 일치하게 가장 위중한 환자($p4$)를 독립적으로 식별한다. 결정적으로, 증상 값(기침과 흉통)을 서로 바꾼 적대적 쌍의 프로필을 구성했을 때, 24가지의 모든 표준 점별 거리 측정법은 동일한 점수를 반환(동점)하는 반면, 제안된 밀도 시그니처는 기저 증상 공생 구조를 바탕으로 이들을 정확히 구별해 낸다.
• 질병 분류 (섹션 9.3): 환자를 질병(말라리아, 장티푸스 등)으로 분류하는 고전적 벤치마크에 적용했을 때, 결합 지수(점별 거리와 구조적 거리의 가중 합)는 $\lambda \geq 0.25$에서 기존 문헌의 합의와 100% 일치하는 결과를 보였다. 구조적 항 단독으로는 분류에 불충분하지만, 보조적인 판별 도구로서 역할을 수행한다.

의의 및 주장
본 논문은 세 가지 특정 분야에서 의의를 갖는다고 주장한다:

1. 이론적 교정과 통합: 퍼지 그래프의 $\ast$-밀도 상한을 수정하고, 균형 잡힌 퍼지 그래프에 대한 기존의 사례별 결과들을 하나의 축소 정리로 통합한다.
2. 등급 균형: 이진적 균형 개념을 증상 네트워크 상의 프로필 분포의 "고름(evenness)"을 반영하는 계산 가능한 등급 지수로 변환한다.
3. 퇴행의 해결: 주요 실질적 주장은 부정적이지만 실무적으로 매우 중요하다: 대칭적 점별 거리 측정법은 근본적으로 요소 간 값의 치환에 맹목적이다. 본 논문은 동일한 데이터에서 유도된 밀도 시그니처가 데이터의 안정성을 해치지 않으면서도 이러한 실패 모드를 복구함을 보여준다.

한계점
저자는 다음과 같은 한계점을 명시적으로 언급한다:

• 균형 지수 $\beta$의 정확한 계산은 축소된 경우에만 다항 시간 내에 가능하며, 그렇지 않은 경우 열거법이나 휴리스틱에 의존한다.
• 시그니처는 완전 불변량(complete invariant)이 아니다(비동형 그래프가 동일한 시그니처를 공유할 수 있음).
• 그래프 희소화를 위한 임계값 $\tau$는 현재 공동 특성화 계수의 평균으로 설정되어 있으나, 이것이 최적임이 증명되지는 않았다.
• 균형 지수의 임상적 해석은 가설 단계이며, 임상 시험을 통해 검증되지 않았다.
• 구조적 항은 단독 분류기로 기능하는 것이 아니라, 보조적인 판별 도구로 설계되었다.

결론적으로, 본 논문은 기존 q-ROF 의사결정 프레임워크에 대한 구조적 증강을 제시하며, 전통적인 거리 측정법이 놓치는 데이터 프로필의 구조적 이상을 탐지하는 메커니나를 제공하는 동시에, q-rung 직교 쌍 환경에서의 균형에 대한 수학적 성질을 엄밀하게 정의한다.