KANFIS: 해석 가능하며 불확실성을 고려한 학습을 위한 신경-기호 프레임워크

KANFIS A Neuro-Symbolic Framework for Interpretable and Uncertainty-Aware Learning

적응형 신경-퍼지 추론 시스템(ANFIS)은 신경망의 학습 능력과 퍼지 논리의 추론 투명성을 결합하기 위해 고안되었습니다. 그러나 기존의 ANFIS 아키텍처는 구조적 복잡성 문제를 겪고 있는데, 특히 곱(product) 기반 추론 메커니즘으로 인해 고차원 공간에서 규칙이 지수적으로 폭발하는 현상이 발생합니다. 이에 본 논문에서는 퍼지 추론과 가법 함수 분해(additive function decomposition)를 통합한 간결한 신경-기호 아키텍처인 콜모고로프-아놀드 신경-퍼지 추론 시스템(KANFIS)을 제안합니다. KANFIS는 가법 집계 메커니즘을 채용하여, 모델 파라미터와 규칙 복잡도가 입력 차원에 따라 지수적이 아닌 선형적으로 증가합니다. 또한, KANFIS는 유형-1(T1) 및 구간 유형-2(IT2) 퍼지 논리 시스템과 모두 호환되어, 퍼지 표현 내의 불확실성과 모호성을 명시적으로 모델링할 수 있습니다. 희소 마스킹(sparse masking) 메커니즘을 사용함으로써 KANFIS는 간결하고 구조화된 규칙 집합을 생성하며, 이는 명확한 규칙 의미론과 투명한 추론 과정을 갖춘 본질적으로 해석 가능한 모델로 이어집니다. 실증적 실험 결과는 KANFIS가 대표적인 신경망 및 신경-퍼지 기준 모델들과 비교하여 경쟁력 있는 성능을 달성함을 입증합니다.

Adaptive Neuro-Fuzzy Inference System (ANFIS) was designed to combine the learning capabilities of neural network with the reasoning transparency of fuzzy logic. However, conventional ANFIS architectures suffer from structural complexity, where the product-based inference mechanism causes an exponential explosion of rules in high-dimensional spaces. We herein propose the Kolmogorov-Arnold Neuro-Fuzzy Inference System (KANFIS), a compact neuro-symbolic architecture that unifies fuzzy reasoning with additive function decomposition. KANFIS employs an additive aggregation mechanism, under which both model parameters and rule complexity scale linearly with input dimensionality rather than exponentially. Furthermore, KANFIS is compatible with both Type-1 (T1) and Interval Type-2 (IT2) fuzzy logic systems, enabling explicit modeling of uncertainty and ambiguity in fuzzy representations. By using sparse masking mechanisms, KANFIS generates compact and structured rule sets, resulting in an intrinsically interpretable model with clear rule semantics and transparent inference processes. Empirical results demonstrate that KANFIS achieves competitive performance against representative neural and neuro-fuzzy baselines.