論文の概要: Quantifying Uncertainty in Risk Assessment using Fuzzy Theory
- arxiv url: http://arxiv.org/abs/2009.09334v1
- Date: Sun, 20 Sep 2020 02:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 13:11:35.793610
- Title: Quantifying Uncertainty in Risk Assessment using Fuzzy Theory
- Title（参考訳）: ファジィ理論を用いたリスク評価の不確かさの定量化
- Authors: Hengameh Fakhravar
- Abstract要約: リスクスペシャリストはリスクをよりよく理解し、リスク評価に複雑なモデルを使用しようとしています。
伝統的なリスクモデルは古典的な集合論に基づいている。
本稿では,ファジィ論理システムを用いたリスクアセスメントの方法論,枠組み,プロセスについて論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- 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.
- Abstract（参考訳）: リスクスペシャリストはリスクをよりよく理解し、リスク評価に複雑なモデルを使用しようとしている。
経験的データや複雑な因果関係の欠如は、特定のリスクタイプが暴露される程度を推定することが困難である。
伝統的なリスクモデルは古典集合論に基づいている。
ファジィ論理モデルはファジィ集合論に基づいて構築され、知識不足や不正確なデータによるリスクの分析に有用である。
ファジィ論理システムは、大規模リスク管理フレームワークをより簡単にするのに役立つ。
適切な確率モデルを持たないリスクに対して、ファジィ論理システムは、原因と効果の関係をモデル化し、リスク暴露のレベルを評価し、一貫した方法で主要なリスクをランク付けし、利用可能なデータと専門家のオピニオンを検討する。
さらにファジィ論理システムでは、いくつかの規則がモデル因子間の接続、依存、関係を明示的に説明している。
これはリスク軽減ソリューションの特定に役立つ。
資源は、非常に高いレベルの露出と比較的低いヘッジコストでリスクを軽減するために使用できる。
ファジィセットとファジィロジックモデルは、人工知能ニューラルネットワークや決定ツリーモデルを含む、ベイジアンや他のタイプのメソッド認識および決定モデルで使用することができる。
これらの開発モデルは、困難なリスクアセスメント問題を解決する可能性がある。
本稿では,ファジィ論理モデルを用いてリスクアセスメントとリスク意思決定を改善する領域について考察する。
本稿では,ファジィ論理システムを用いたリスクアセスメントの方法論,枠組み,プロセスについて論じる。
関連論文リスト
- Robust Reinforcement Learning with Dynamic Distortion Risk Measures [0.0]
我々は、堅牢なリスク対応強化学習問題を解決するための枠組みを考案した。
我々は, 環境の不確実性とリスクを, 動的に頑健な歪みリスク対策のクラスで同時に考慮する。
本研究では,リスクを意識したRL問題の解法としてアクター批判アルゴリズムを構築した。
論文 参考訳（メタデータ） (2024-09-16T08:54:59Z) - Risks and NLP Design: A Case Study on Procedural Document QA [52.557503571760215]
より具体的なアプリケーションやユーザに対して分析を専門化すれば,ユーザに対するリスクや害の明確な評価が可能になる,と我々は主張する。
リスク指向のエラー分析を行い、リスクの低減とパフォーマンスの向上を図り、将来のシステムの設計を通知する。
論文 参考訳（メタデータ） (2024-08-16T17:23:43Z) - Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。
提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
論文 参考訳（メタデータ） (2024-03-28T17:28:06Z) - On the Societal Impact of Open Foundation Models [93.67389739906561]
ここでは、広く利用可能なモデルウェイトを持つものとして定義されている、オープンファンデーションモデルに重点を置いています。
オープンファンデーションモデルの5つの特徴を識別し,その利点とリスクを両立させる。
論文 参考訳（メタデータ） (2024-02-27T16:49:53Z) - Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。
ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
論文 参考訳（メタデータ） (2023-08-01T02:07:47Z) - TASRA: a Taxonomy and Analysis of Societal-Scale Risks from AI [11.240642213359267]
多くの抜本的な分類が可能であり、特に新しいリスクや安全性への実践的なアプローチを明らかにする場合、有用であるものもある。
本稿では,リスクに繋がる行動,アクターは一体化されているか,意図的かという,説明責任に基づく分類について考察する。
また、AIシステムの予期せぬ相互作用から生じるリスクや、意図的に悪用されるリスクなど、さまざまなリスクタイプがどのように機能するかを説明する物語も提供しています。
論文 参考訳（メタデータ） (2023-06-12T07:55:18Z) - On (assessing) the fairness of risk score models [2.0646127669654826]
リスクモデルは、ユーザに対して潜在的な結果について不確実性を伝えるという事実など、さまざまな理由から関心を集めている。
リスクスコアフェアネスの鍵となるデシダータムとして,異なるグループに類似した価値を提供する。
本稿では,従来提案されていた基準値よりも試料径バイアスが少ない新しい校正誤差指標を提案する。
論文 参考訳（メタデータ） (2023-02-17T12:45:51Z) - Deep Learning for Systemic Risk Measures [3.274367403737527]
本研究の目的は,システム的リスク対策のための新しい方法論の枠組みを検討することである。
この新たな枠組みの下で、システム的リスク対策は、集約されたシステムを保護する最小限の現金として解釈できる。
ディープラーニングは、金融モデリングやリスク管理においてますます注目を集めている。
論文 参考訳（メタデータ） (2022-07-02T05:01:19Z) - Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。
本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。
提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文 参考訳（メタデータ） (2022-05-21T08:39:42Z) - Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。
特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。
迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
論文 参考訳（メタデータ） (2022-05-10T19:40:52Z) - Detecting and Mitigating Test-time Failure Risks via Model-agnostic
Uncertainty Learning [30.86992077157326]
本稿では,すでに訓練済みのブラックボックス分類モデルの失敗リスクと予測的不確かさを推定するための,ポストホックメタラーナーであるリスクアドバイザを紹介する。
リスクアドバイザは、リスクスコアの提供に加えて、不確実性見積を、アレタリックおよびエピステマティックな不確実性コンポーネントに分解する。
ブラックボックス分類モデルおよび実世界および合成データセットのさまざまなファミリーの実験は、リスクアドバイザーがデプロイメント時の障害リスクを確実に予測していることを示している。
論文 参考訳（メタデータ） (2021-09-09T17:23:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。