将T-球形模糊聚合与三支决策相结合：一种面向机器学习的金融科技平台网络威胁分类方法

《Engineering Applications of Artificial Intelligence》：Integrating T-spherical fuzzy aggregation with three-way decision-making: A machine learning-oriented approach to cyber threat classification in FinTech platforms

　　

该论文提出了一种混合概念，通过^T-球形模糊集（T-SpFS）和一种称为三支决策（TWD）的机器学习（ML）算法来减少数字银行中的网络风险。所提出的处理网络风险不确定性的方法依赖于专家使用T-SpFS进行的评估。在该框架的帮助下，机器学习方法使研究人员能够通过专家评估风险的经验并适应新的网络威胁，从而更好地对风险进行分类。在案例研究中，^T-球形模糊三支分类（T-SpF TWD）框架通过其球形模糊方法将四个金融科技平台分类为接受、拒绝和不确定。评估表明，数字支付应用程序?₁是最可靠的，而机器人顾问服务?₄是最不可靠的。与传统技术相比，所提出的分析数字银行可持续性的方法提供了更优的结果，因为前者采用传统技术来处理不确定性并提供有价值的研究结果。该研究提供了一个全面的、逐步的模型，用于保护银行网络系统免受威胁并增强其对数字攻击的韧性。

论文解读文章：

研究背景：全球银行业数字化转型中，人工智能、机器学习、区块链和云计算等技术提升了运营效率和客户体验，但同时也显著增加了网络犯罪风险。金融服务业遭受的网络安全违规次数比其他行业高出约300%，每次违规平均成本达590万美元。现有风险分类方法多采用硬边界（如安全/危险），难以处理网络威胁中的模糊性和不确定性。传统模糊集（FS）、直觉模糊集（IFS）和毕达哥拉斯模糊集（PyFS）等方法在处理隶属度、非隶属度和犹豫度时存在局限性，例如参数不灵活或无法同时捕捉三类信息。^T-球形模糊集（T-SpFS）通过引入可调参数t，允许隶属度、非隶属度和犹豫度的t次方和不超过1，更灵活地刻画复杂不确定性。三支决策（TWD）理论通过接受、拒绝和延迟三类决策，为风险管理提供了更细致的处理框架。然而，现有方法很少将T-SpFS与TWD结合，更缺乏机器学习（ML）机制优化决策阈值，且在真实金融科技（FinTech）环境中验证不足。因此，研究人员提出一种融合T-SpFS、TWD和ML的混合框架，旨在提高网络威胁分类的准确性和自适应能力。

研究人员开展的研究：提出了一种基于^T-球形模糊三支分类（T-SpF TWD）的框架，该框架整合了多准则群决策（MCGDM）和动态ML算法。通过案例研究对四个FinTech平台（数字支付应用?₁、点对点借贷?₂、加密货币钱包?₃、机器人顾问?₄）进行风险评估，将平台分为接受、拒绝和不确定三类。结论表明，?₁最可靠，?₄最不可靠。与传统方法（如IFS、PyFS、概率语言TOPSIS等）相比，T-SpF TWD在分类精度和噪声容忍度方面表现更优，误报率降低25%，威胁检测提升32%。该框架为数字银行提供了一种自适应、不确定性感知的网络威胁分类方案，显著增强了网络系统对数字攻击的韧性。论文发表在《Engineering Applications of Artificial Intelligence》。

关键技术方法（不超过250字）：研究人员主要使用了以下关键技术方法：（1）^T-球形模糊集（T-SpFS）及其聚合算子（T-SpFWA和T-SpFWG），用于融合多位专家关于风险指标的评估意见，确保单调性、幂等性和有界性。（2）三支决策（TWD）理论，基于决策理论粗糙集（DTRS）定义接受、拒绝和延迟三类决策的损失函数和决策规则。（3）机器学习（ML）算法，用于优化决策阈值和提取时空特征，实现自适应分类以应对动态网络威胁。（4）多准则群决策（MCGDM）方法，结合专家权重和准则权重，处理多属性综合评价。案例研究中无特定样本队列来源，仅基于四个FinTech平台进行专家评估。

研究结果（保留每个小标题并说明）：

1. 预备知识（Preliminary）：该部分定义了T-SpFS的基本概念、运算法则和隶属度函数，为后续聚合算子和决策模型建立理论基础。

2. 用于多准则群决策的^T-球形平均聚合算子（T-spherical averaging aggregation operators for multi-criteria group decision-making）：提出了T-SpFWA和T-SpFWG两种聚合算子，通过数学推导证明了其单调性、幂等性和有界性。这些算子能够有效综合多位专家在犹豫度下的评估信息，解决MCGDM中权重分配问题。

3. 风险管理中的三支决策（Three-way decision in risk management）：阐述了TWD的基本原理，基于DTRS定义了期望损失函数和决策规则。通过将风险分类为接受、延迟和拒绝三类，TWD提供了比传统二分类更灵活的风险管理策略，尤其适用于信息不充分的情况。

4. 基于T-SpFS的三支决策模型（TWD model with T-SpFSs）：将T-SpFS中的隶属度重新映射为接受度、不确定度和拒绝度，构建^T-球形模糊决策矩阵（T-SpFDM）。基于该矩阵定义了三种状态的损失函数，并推导出三支分类决策规则，实现了从模糊评估到明确决策的转化。

5. 金融科技中的模糊逻辑：缓解网络风险以实现可持续数字银行（Fuzzy logic in FinTech: Mitigating cyber risks for sustainable digital banking）：通过案例研究应用T-SpF TWD框架，利用专家评估和ML优化阈值对四个FinTech平台进行风险排序。结果显示，数字支付应用?₁的综合得分最高（接受类），机器人顾问?₄得分最低（拒绝类）。与IFS、PyFS和概率语言方法对比，T-SpF TWD在分类准确性和噪声鲁棒性方面均表现更佳，验证了其在缓解网络风险中的有效性。

总结讨论部分：研究人员通过集成T-SpFS、MCGDM和TWD构建了自适应分类框架，有效处理了网络威胁评估中的模糊性和不确定性。T-SpFWA和T-SpFWG算子确保了多专家意见的公平融合，TWD的延迟决策机制降低了误判风险。案例研究表明，该框架能够为数字银行提供可靠的平台安全评估，并可通过ML持续优化。与传统方法相比，所提方法在分类性能和不确定性建模方面具有显著优势，但未来仍需在更大规模实际环境中验证，并探索与区块链、物联网（IoT）支付等场景的结合。

研究结论部分翻译：在本研究中，研究人员提出了一种T-SpF TWD架构，用于减少可持续数字银行中的网络威胁。通过结合T-SpFS与MCGDM，该方法清晰管理了网络风险评估中的模糊性和不确定性。T-SpFWA和T-SpFWG算子确保专家意见被公平组合，TWD框架允许将选项灵活分类为接受、拒绝和不确定三类。通过一个关于FinTech平台的全面案例研究，研究人员证明了该框架在识别最可靠和最不可靠平台方面的有效性，并展示了其相对于传统技术的优越性。该研究提供了一种稳健、自适应的解决方案，供数字银行应对网络犯罪并维护运营弹性。未来工作将探索在更大规模真实环境中的部署，并与区块链异常检测和人工智能驱动的威胁预测系统进行整合。