진단을 위한 조합 확률 엔트로피와 정보량

본 논문은 시스템 진단 과정에서 기존의 샤논 엔트로피가 갖는 로그형 가산성 등 여러 특성이 진단 문제에 최적이 아니며, 특히 다값(멀티밸류) 시스템과 증상 모델에 적용하기에 한계가 있음을 지적한다. 이를 해결하고자 저자는 “조합‑확률 진단 엔트로피”(Combinatorial‑Probabilistic Diagnostic Entropy, 이하 B‑HE)를 새롭게 제안한다. **1. 기본 가정** - 시스템은 유한한 조건 집합 E={e₁,…,e_n}을 가지며, 각 조건 e_i는 확률 P_i로 발생한다(∑P_i=1). - 증상 집합 D={d₁,…,d_r}도 유한하고, 각 증상은 값 집합 A={0,1,…,λ‑1}을 가진다. - 다값 연산자 R: E×D→A는 크리프·퍼지·러프 등 다양한 형태를 허용한다. - 모든 증상-조건 쌍이 정확히 매핑되는 무노이즈 가정(6)을 채택한다. **2. 기존 정보‑이론적 프레임** 샤논 엔트로피 H(E)=−∑P_i log P_i 로 시스템 초기 불확실성을 정의하고, 증상 r_d를 선택했을 때 조건 집합이 값 j에 따라 파티션 E_j로 나뉜다. 조건부 엔트로피 H(E|r_d)=∑p_j H(E_j)와 정보량 J(r_d)=H(E)−H(E|r_d) 를 도출한다. 그러나 이 접근법은 로그형 가산성에 의존해 복잡도가 높고, 다값 시스템에서 효율적인 최적 증상 선택을 보장하지 못한다. **3. 조합‑확률 진단 엔트로피의 필요성 및 공리** 저자는 진단 엔트로피가 다음 특성을 가져야 한다고 주장한다. - **(a) 확률·카디널리티 의존성**: H_B(E)=f(n,P) 형태, n은 조건 수, P는 확률 벡터. - **(b) 단조성**: n이 증가하면 H_B도 증가. - **(c) 단일 조건일 때 0**: n=1 ⇒ H_B=0. - **(d) 완전 구분 시 0**: 파티션이 모든 단일 집합으로 이루어지면 H_B=0. - **(e) 선형성**: f는 확률에 대해 1차 선형, 즉 f(n,c·P)=c·f(n,P). **4. B‑HE 정의 및 성질 증명** 위 공리를 만족하는 가장 간단한 형태로 \