[논문 리뷰] Quantifying Uncertainty in Risk Assessment using Fuzzy Theory

Hengameh Fakhravar|arXiv (Cornell University)|2020. 09. 20.

Multi-Criteria Decision Making참고 문헌 41인용 수 4

한 줄 요약

이 논문은 기존의 확률 모델이 데이터 부족 또는 부정확으로 인해 실패하는 상황에서 불확실성을 정량화하기 위해 퍼지 논리 기반 프레임워크를 제안한다. 퍼지 집합 이론과 규칙 기반 시스템을 활용하여 불확실한 원인-결과 관계를 모델링하고, 일관된 위험 순위를 매기며 전문가 지식을 통합하여 의사결정을 지원함으로써, 복잡하고 데이터가 부족한 환경에서 전통적 위험 모델에 대한 강력한 대안을 제공한다.

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.

연구 동기 및 목표

• 부족하거나 부정확한 경험적 데이터가 존재하는 상황에서 위험을 정량화하는 데 도전 과제를 해결한다.
• 모호하거나 주관적이거나 불완전한 정보를 처리하는 데 있어 고전적 확률 기반 위험 모델의 한계를 극복한다.
• 전문가 판단과 퍼지 논리를 통합하여 일관된 위험 순위 매기기 및 노출 평가를 위한 체계적인 프레임워크를 개발한다.
• 퍼지 추론를 통해 헤지 비용이 낮은 고노출 위험을 식별하여 실질적인 위험 완화를 가능하게 한다.
• 기존의 위험 모델에 비해 융통성 있고 해석이 용이한 대안을 제공하여 베이지안 방법, 신경망 또는 결정 트리와 같은 다른 모델과 조합 가능하도록 한다.

제안 방법

• 모호하거나 불확실한 위험 요인과 결과를 표현하기 위해 퍼지 집합 이론을 기반으로 한다.
• 위험 요인 간의 인과관계 및 의존관계를 모델링하기 위해 규칙 기반 퍼지 추론 시스템을 사용한다.
• 소속도 함수와 규칙 집합에 전문가 의견과 가용 데이터를 통합하여 위험 노출 수준을 정량화한다.
• 퍼지 위험 점수를 실질적인 해석 가능한 위험 순위로 변환하기 위해 탈퍼지화 기법을 적용한다.
• 베이지안 네트워크, 인공 신경망, 결정 트리와 같은 다른 의사결정 모델과 퍼지 논리를 결합한다.
• 언어 변수와 퍼지 논리 연산을 활용하여 대규모 위험 평가를 단순화하는 확장 가능한 위험 관리 프레임워크를 설계한다.

실험 결과

연구 질문

• RQ1 경험적 데이터가 부족하거나 신뢰할 수 없을 때 퍼지 논리가 어떻게 위험 노출을 효과적으로 모델링할 수 있는가?
• RQ2 고전적 모델에 비해 퍼지 추론 시스템은 위험 순위 매기기의 일관성과 투명성을 어떻게 향상시킬 수 있는가?
• RQ3 어떻게 퍼지 집합을 활용하여 전문가 지식과 부정확한 데이터를 위험 평가 프레임워크에 체계적으로 통합할 수 있는가?
• RQ4 원인 관계가 불확실한 복잡한 위험 시나리오에서 전통적 확률 모델에 비해 퍼지 논리의 장점은 무엇인가?
• RQ5 퍼지 논리는 베이지안 네트워크나 신경망과 같은 다른 의사결정 모델과 어떻게 통합되어 위험 평가를 향상시킬 수 있는가?

주요 결과

• 기존의 확률 모델이 데이터 부족으로 실패하는 상황에서 퍼지 논리 모델은 위험 평가에서 불확실성을 효과적으로 정량화한다.
• 언어 규칙과 전문가 판단을 조합함으로써 이 프레임워크는 일관된 위험 순위 매기기를 가능하게 하여 의사결정의 투명성을 향상시킨다.
• 퍼지 시스템은 위험 요인 간의 의존성과 관계를 명시적으로 표현할 수 있어 대상별 위험 완화 전략을 지원한다.
• 퍼지 추론 과정을 통해 상대적으로 헤지 비용이 낮은 고노출 위험을 식별하고 우선순위를 매길 수 있다.
• 제안된 모델은 베이지안 네트워크, 신경망, 결정 트리와 같은 다른 고급 방법과 호환되어 그 융통성과 적용 범위를 넓힌다.
• 기존 모델과의 퍼지 논리 통합은 불확실성 하에서 복잡한 위험 평가 문제에 대한 강력한 해결책을 제공한다.