복잡한 시스템에서 의사결정을 할 때, 우리는 종종 불확실하거나 부정확한 정보에 직면합니다. 이러한 정보는 주로 '퍼지 집합(fuzzy sets)', 특히 '삼각 퍼지 숫자(Triangular Fuzzy Numbers, TFNs)'를 이용해 표현됩니다. 많은 퍼지 방법론에서 TFN 간의 '거리'를 정확히 측정하는 것이 핵심인데, 기존의 거리 측정 방식들은 모든 값이 동일한 척도(scale)에 있다고 가정하여, 서로 다른 척도나 단위를 가진 이질적인 속성(heterogeneous attributes)에 적용할 때는 사전 정규화(normalization) 과정이 필수적이었습니다.
이러한 문제를 해결하기 위해 에디 소리아(Eddy Soria) 외 연구진은 '삼각 퍼지 재조정 거리(Triangular Fuzzy Rescaling Distance, d_TR)'라는 새로운 측정법을 제안했습니다. d_TR은 선형 재조정(Linear Rescaling, LRE)을 거리 계산에 직접 통합하여, 퍼지 숫자를 비교하는 동안 자동으로 정규화가 이루어지도록 설계되었습니다. 연구진은 d_TR이 비음성(non-negativity), 동일성(identity), 대칭성(symmetry), 삼각 부등식(triangle inequality) 등 거리 측정법의 필수 속성을 모두 만족함을 형식적으로 증명했습니다. 또한, d_TR은 유계(bounded), 척도 불변(scale-invariant), 원점 불변(origin-invariant)이라는 중요한 특성을 가집니다.
이러한 d_TR의 특성들은 합성 지표(synthetic indicators) 구축, 거리 기반 기계 학습(distance-based machine learning) 알고리즘, 다기준 의사결정 지원(multicriteria-decision aiding) 등 이질적인 퍼지 데이터를 다루는 다양한 응용 분야에서 매우 유용하게 활용될 수 있습니다. 특히, 차원별 우선순위를 부여할 수 있는 가중치 벡터(weighting vector) 기능까지 더해져, 실제 복잡한 의사결정 문제 해결에 더욱 실질적인 도움을 줄 것으로 기대됩니다. 이번 연구는 불확실한 데이터를 보다 효율적이고 정확하게 분석할 수 있는 새로운 길을 열었다는 점에서 의미가 큽니다.