인공지능 분야에서 해결해야 될 문제 중에 하나는 보다 유연하고 강건한 추론 방법을 제시하는 것이다. 특히 실세계에 존재하는 지식의 대부분은 부정확성과 불확실성을 가지고 있으므로 이를 위한 근사 추론 방법을 개발하는 것이 요구된다.
이를 위하여 본 논문에서는 근사 추론이 가능한 연결주의 네트워크 모델을 제안한다. 근사 추론을 위한 연결주의 네트워크 모델은 기존의 퍼지 논리의 변형인 증거기반 퍼지 논리에 근거를 두고 있다. 증거기반 퍼지 논리에서의 가중치 프레임은 연결주의 네트워크 모델에서 가중치를 결정하는 방법과 믿음값이 확산되는 방법을 제시하고 있다. 또한 각 규칙을 네트워크 모델로 구성하는 방법과 구축된 네트워크 상에서의 추론 메카니즘을 제안하며 네트워크의 학습을 위하여 백프로퍼게이션 알고리즘을 적용한다.
본 논문에서 제시된 모델의 적용성을 검증하기 위하여 프로토타입 시스템인 CONECT(COnnectionist NEtwork model using evidenCe-based fuzzy logic for approximaTe reasoning)를 설계 및 구현하였다. CONECT 시스템은 네트워크 베이스, 규칙 편집기, 추론 모듈, 학습 모듈로 구성되어 있다. 마지막으로 실험올 통하여 추론 효과를 분석하고 제안된 모델을 관련 연구들과 비교하여 평가하였다.
본 논문에서 제안하는 모델은 가중치-합 연산을 이용함으로서 확률 이론에서의 계산상의 복잡도 문제를 해결할 수 있었다. 또한 추론 과정에서 증거들은 서로 결합되고 축적되어가며 최종적인 결론을 형성하게 된다. 그리고 불확실하고 부정확한 지식들을 처리할 수 있으며 부분적인 정보로부터 적절한 결론을 이끌어낼 수 있다. 따라서 본 논문에서 제안한 방법은 보다 유연하고 강건한 추론 방식이며 인지적 모델에 적합한 방법이라고 할 수 있다.