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

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

적응 신경 퍼지 추론 시스템(ANFIS)은 신경망의 학습 능력과 퍼지 논리의 추론 투명성을 결합하도록 설계되었습니다. 그러나 기존 ANFIS 아키텍처는 구조적 복잡성을 가지며, 곱셈 기반의 추론 메커니즘은 고차원 공간에서 규칙의 지수적 폭발을 초래합니다. 본 논문에서는 쿨볜뇌프-아르노 신경-퍼지 추론 시스템(KANFIS)을 제안합니다. KANFIS는 퍼지 추론을 가산 함수 분해와 통합하는 간결한 신경-기호 아키텍처입니다. KANFIS는 가산 집계 메커니즘을 사용하며, 모델 파라미터와 규칙 복잡도는 입력 차원과 선형적으로 증가하며, 지수적으로 증가하지 않습니다. 또한, KANFIS는 Type-1 (T1) 및 Interval Type-2 (IT2) 퍼지 논리 시스템 모두와 호환되어 퍼지 표현에서 불확실성과 모호성을 명시적으로 모델링할 수 있습니다. KANFIS는 희소 마스킹 메커니즘을 사용하여 간결하고 구조화된 규칙 집합을 생성하며, 이는 명확한 규칙 의미와 투명한 추론 프로세스를 갖는 본질적으로 해석 가능한 모델을 제공합니다. 실험 결과는 KANFIS가 대표적인 신경망 및 신경-퍼지 기반 모델과 경쟁력 있는 성능을 달성함을 보여줍니다.

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.