최신 딥 랜덤화 신경망(dRVFL: deep Random Vector Functional Link)과 앙상블 딥 랜덤화 신경망(edRVFL: ensemble deep RVFL)은 빠르고 효율적인 학습으로 주목받아왔습니다. 하지만 이 모델들은 모든 훈련 샘플을 동일하게 처리하는 근본적인 한계가 있어, 노이즈나 이상치(outlier)가 포함된 실제 데이터셋에서는 성능과 견고성이 저하되는 문제가 있었습니다. 오염된 특징(feature)이 은닉층을 통해 전파되면서 모델의 의사결정 능력에 부정적인 영향을 미치는 것이 주된 원인입니다.
이러한 한계를 극복하기 위해, 새로운 연구에서는 직관적 퍼지 이론(intuitionistic fuzzy theory)을 dRVFL에 결합한 IF-dRVFL과 IF-edRVFL 프레임워크를 제안했습니다. 이 모델들은 각 샘플에 대한 소속(membership) 및 비소속(non-membership) 정도를 동시에 고려하여 커널 공간(kernel space) 내 샘플 이웃 정보를 활용합니다. 소속 정도는 샘플과 해당 클래스 중심 간의 거리를 기반으로 계산되며, 비소속 정도는 지역 이웃 내 샘플의 이질성을 정량화합니다. 이러한 측정값들을 활용해 훈련 샘플에 적응형 가중치(adaptive weights)를 할당함으로써, 깨끗한 데이터, 노이즈 데이터, 그리고 이상치를 효과적으로 구별하고 처리할 수 있게 됩니다.
제안된 IF-dRVFL 및 IF-edRVFL 모델은 UCI 및 KEEL 벤치마크 데이터셋에서 광범위한 실험을 통해 그 우수성을 입증했습니다. 가우시안 노이즈(Gaussian noise)가 있거나 없는 환경 모두에서 기존의 최첨단 퍼지 및 비퍼지 접근 방식보다 뛰어난 성능을 보였습니다. 이는 실제 환경에서 AI 모델이 직면하는 데이터 불확실성에 대한 강력한 해결책을 제시하며, 더욱 견고하고 신뢰할 수 있는 분류 시스템 구축에 중요한 진전을 의미합니다. 연구팀은 소스 코드도 공개하여 후속 연구 및 활용을 장려하고 있습니다.