본 논문은 해석 가능한 퍼지 규칙 기반 모델에 기초한 새로운 표현 학습 방법을 제시합니다. Takagi-Sugeno-Kang 퍼지 시스템(TSK-FS)을 이용하여 입력 데이터를 고차원 퍼지 특징 공간으로 매핑하고, 새로운 미분 가능한 최적화 방법을 통해 결과 부분을 학습합니다. 이 최적화 방법은 기존 최적화의 본질을 유지하면서 미분 가능한 모듈을 구성하여 심층 최적화 과정을 구현함으로써 모델의 성능 향상과 해석 가능성을 동시에 보장합니다. 또한, 2차 기하학적 보존 방법을 도입하여 제안된 방법의 강건성을 더욱 향상시킵니다. 다양한 벤치마크 데이터셋에 대한 실험을 통해 제안된 방법의 우수성을 검증하고, 표현 학습 방법론 발전에 대한 잠재력을 강조합니다.
