[論文レビュー] Quantifying Uncertainty in Risk Assessment using Fuzzy Theory

Hengameh Fakhravar|arXiv (Cornell University)|Sep 20, 2020

Multi-Criteria Decision Making参考文献 41被引用数 4

ひとこと要約

本稿では、従来の確率的モデルがデータ不足や不正確なデータのため機能しないリスク評価における不確実性を定量化するため、ファジィ論理に基づくフレームワークを提案する。ファジィ集合理論とルールベースのシステムを活用することで、不確かな因果関係をモデル化し、一貫したリスクランク付けを実現し、専門家知識を支援することで、複雑でデータが乏しい環境における古典的リスクモデルの代替手段として強固なソリューションを提供する。

ABSTRACT

Risk specialists are trying to understand risk better and use complex models for risk assessment, while many risks are not yet well understood. The lack of empirical data and complex causal and outcome relationships make it difficult to estimate the degree to which certain risk types are exposed. Traditional risk models are based on classical set theory. In comparison, fuzzy logic models are built on fuzzy set theory and are useful for analyzing risks with insufficient knowledge or inaccurate data. Fuzzy logic systems help to make large-scale risk management frameworks more simple. For risks that do not have an appropriate probability model, a fuzzy logic system can help model the cause and effect relationships, assess the level of risk exposure, rank key risks in a consistent way, and consider available data and experts'opinions. Besides, in fuzzy logic systems, some rules explicitly explain the connection, dependence, and relationships between model factors. This can help identify risk mitigation solutions. Resources can be used to mitigate risks with very high levels of exposure and relatively low hedging costs. Fuzzy set and fuzzy logic models can be used with Bayesian and other types of method recognition and decision models, including artificial neural networks and decision tree models. These developed models have the potential to solve difficult risk assessment problems. This research paper explores areas in which fuzzy logic models can be used to improve risk assessment and risk decision making. We will discuss the methodology, framework, and process of using fuzzy logic systems in risk assessment.

研究の動機と目的

• 経験的データが不足している、もしくは不正確な状況におけるリスクの定量化の課題に対処すること。
• 曖昧、主観的、不完全な情報を取り扱う際の、古典的確率論ベースのリスクモデルの限界を克服すること。
• 専門家判断とファジィ論理を統合する体系的フレームワークを構築し、一貫したリスクランク付けと露出評価を実現すること。
• ファジィ推論を用いて、低ヘッジコストで高い露出を示すリスクを特定し、優先順位を付けることで、実践的なリスク軽減を可能にすること。
• ベイジアン手法、ニューラルネットワーク、意思決定木などと組み合わせられる柔軟性と解釈可能性を持つ、従来のリスクモデルの代替手段を提供すること。

提案手法

• 不確かなリスク要因や結果を表現するために、ファジィ集合理論を基盤として用いる。
• リスク要因間の因果関係や依存関係をモデル化するために、ルールベースのファジィ推論システムを採用する。
• メンバーシップ関数とルールセットに専門家の意見と利用可能なデータを統合し、リスク露出レベルを定量化する。
• ファジィリスクスコアを行動可能な解釈可能なリスクランクに変換するために、非ファジィ化技術を適用する。
• ベイジアンネットワーク、人工ニューラルネットワーク、意思決定木などの他の意思決定モデルとファジィ論理を統合する。
• 言語変数とファジィ論理演算を用いて、大規模リスク評価を簡素化するスケーラブルなリスク管理フレームワークを設計する。

実験結果

リサーチクエスチョン

• RQ1 経験的データが乏しい、もしくは信頼性がない状況で、ファジィ論理はリスク露出をどのように効果的にモデル化できるか？
• RQ2 ファジィ推論システムは、古典的モデルと比較して、リスクランク付けの整合性と透明性をどのように向上させるか？
• RQ3 ファジィ集合を用いて、専門家知識と曖昧なデータをリスク評価フレームワークに体系的に統合する方法は何か？
• RQ4 因果関係が不確実な複雑なリスク状況において、ファジィ論理が従来の確率的モデルに比べて持つ利点は何か？
• RQ5 ファジィ論理は、ベイジアンネットワークやニューラルネットワークなどの他の意思決定モデルとどのように統合され、リスク評価を強化できるか？

主な発見

• ファジィ論理モデルは、データ不足のため従来の確率モデルが機能しないリスク評価の不確実性を効果的に定量化できる。
• 言語的ルールと専門家判断を統合することで、フレームワークは一貫したリスクランク付けを可能にし、意思決定の透明性を向上させる。
• ファジィシステムはリスク要因間の依存関係や関係性を明示的に表現でき、標的的な緩和戦略の支援に役立つ。
• ファジィ推論プロセスを用いることで、相対的に低コストのヘッジで高い露出を示すリスクを特定・優先順位付けできる。
• 提案されたモデルは、ベイジアンネットワーク、ニューラルネットワーク、意思決定木などの他の高度な手法と互換性があり、その多様性を高める。
• 既存のモデルとファジィ論理を統合することで、不確実性下での複雑なリスク評価問題に対する強固なソリューションが得られる。