• 목록

제조 · 공정 데이터는 시간에 따라 분포가 변하는 드리프트가 빈번하며, 해석 가능한 규칙을 찾는 Patient Rule Induction Method(PRIM)은 탐욕적 절차 특성상 소표본 과적합과 시간적 성능 붕괴에 취약하다. 실무 현장에선 규칙의 신뢰성과 시간 적응성을 동시에 충족하는 경량 프레임워크가 요구된다. 본 연구는 PRIM에 두 요소를 결합한다. (1) 신뢰도 게이트 Empirical Bernstein(EB)과 Dvoretzky–Kiefer–Wolfowitz(DKW) Concentration inequality 에 근거해, 후보 박스가 요구 표본수를 충족할 때만 채택한다. (2) 드리프트 감지 Page–Hinkley(PH) 변화점 검정을 적용해 드리프트 발생 시 자동 재학습을 수행한다. 각 스텝에서 최근 범위로 PRIM을 수행하되, 변수별 하상단 분위 컷으로 생성된 후보 박스에 대해 EBDKW 기반의 최소 표본수 하한과 기본 지지도 하한을 동시에 만족하는 경우에만 평균 개선을 평가해 채택한다. 직후 PH 누적편차가 임계를 넘으면 드리프트 변화를 인식하고 다음 스텝에서 재학습한다. 제안법은 PRIM의 해석가능성을 유지하면서 EBDKW 게이트로 소표본 과적합을 체계적으로 억제하고, PH를 통해 분포 드리프트에 적응하는 온라인 운용을 가능하게 한다. 이는 Concentraion inequality에 의한 확률적 근거로 박스 선택을 대체해 규칙 선택을 정당화하고, 정적 규칙을 시간-적응형 규칙으로 확장한다.