Optimera val av biometriska system med komplexa sfäriska fuzzy-Einstein-aggregationsoperatorer

Varför smartare säkerhetsval spelar roll

Banker förlitar sig i allt högre grad på biometriska system—fingeravtryck, ansiktsskanningar, irisavläsning—to skydda konton och begränsa bedrägerier. Men att välja den “bästa” enheten är långt ifrån enkelt. Verkliga förhållanden som skiftande belysning, sensorsfel, trånga kontor eller förändrade kundvanor gör prestandan mycket osäker och tidsberoende. Denna artikel presenterar ett nytt matematiskt beslutsramverk utformat för att hjälpa banker att välja biometriska system som förblir tillförlitliga under sådana röriga, föränderliga förhållanden, med målet att minska ekonomiska missöden samtidigt som verklig mänsklig och teknisk osäkerhet återspeglas.

Att se osäkerhet i tre nyanser

Traditionella beslutsverktyg antar ofta att vi kan tilldela varje alternativ en enda tydlig poäng: bra, dåligt eller någonstans däremellan. I verkligheten är det mer otydligt. Tidigare generationer av fuzzylogik försökte fånga detta genom att tillåta delvis medlemskap i en kategori och, senare, genom att lägga till icke-medlemskap och neutralitet. De förlitade sig dock vanligtvis på enkla, endimensionella tal. Författarna bygger vidare på en mer uttrycksfull idé kallad komplexa sfäriska fuzzy-mängder, som spårar tre aspekter samtidigt—stöd för ett alternativ, motstånd mot det och neutral tvekan—och kodar varje aspekt inte bara som en storlek utan också som en fas, en sorts tidpunkt eller cykliskt beteende. Detta gör det möjligt för modellen att representera mönster som ”denna enhet fungerar mycket bra större delen av dagen men har problem under kvällspuckeln” på ett precist men flexibelt sätt.

Ett nytt sätt att slå ihop många brusiga åsikter

I bankpraktiken beror valet av biometriska system på många kriterier: användarvänlighet, databevarande, batteritid, platsspårning med mera, alla bedömda av experter som kan vara oense eller osäkra. Att kombinera dessa spridda, ibland extrema åsikter till ett balanserat omdöme är knepigt. Linjär medelvärdesbildning kan låta en ovanligt hög eller låg poäng dominera och kan utjämna viktiga interaktioner mellan kriterier. För att hantera detta introducerar författarna två nya ”Einstein”-aggregationsoperatorer anpassade till den komplexa sfäriska fuzzy-miljön. Dessa operatorer använder icke-linjära matematiska regler som uppmuntrar kriterier att stödja varandra men förhindrar att en stark poäng helt kompenserar brister på andra håll. Som ett resultat blir den sammanvägda bedömningen jämnare, håller sig inom realistiska gränser och är mindre känslig för avvikare eller opålitliga indata.

Rankning av alternativ utan oavgjort

Även med ett sofistikerat språk för osäkerhet och smart aggregering behöver beslutsfattare fortfarande en tydlig rangordning av alternativen. Tidigare scoringsformler för komplexa sfäriska fuzzy-data behandlade ibland distinkta alternativ som likvärdiga, vilket gjorde det omöjligt att säga vilket biometriskt system som verkligen var bättre. Artikeln föreslår en förbättrad scorefunktion som noggrannare väger stöd, neutralitet och motsättning, tillsammans med deras fasbeteende. Denna förfinade måttvidd sträcker det numeriska omfånget och minskar oavgjorda resultat, så två system som beter sig olika över tid eller i olika förhållanden är mycket mindre benägna att få samma totala poäng. Det ger i sin tur chefer en entydig ordning bland kandidaterna.

Tillämpning av metoden i en bank

För att visa hur metoden fungerar i praktiken studerar författarna en bank som misstänker hög risk för bedräglig aktivitet och vill uppgradera sin biometriska åtkomst. Fyra kommersiella system jämförs över fyra nyckelkriterier: användarvänlighet, datalagringsrutiner, batteribackup och personalspårning via platstjänster. Experters omdömen för varje enhet–kriterie-par kodas som komplexa sfäriska fuzzy-tal, vilket fångar både hur väl varje krav uppfylls och hur den prestandan varierar i olika situationer. De nya Einstein-aggregationsoperatorerna kombinerar sedan dessa utvärderingar till sammanlagda poäng för varje enhet. Båda varianterna av operatorn är överens om toppvalet: ett system kallat ”CP plus”, som konsekvent överträffar de andra när osäkerhet och beroenden mellan kriterier fullt ut beaktas.

Hur detta hjälper banker och vidare

Ur ett lekmannaperspektiv är studiens huvudbudskap att valet av säkerhetsteknik inte bör förlita sig på enkla medelvärden eller testpoäng från labb. Genom att modellera vad experter vet—och inte vet—om ett systems beteende över tid, och genom att slå ihop dessa omdömen på ett kontrollerat, icke-linjärt sätt, levererar det föreslagna ramverket rangordningar som är mer stabila, mer transparenta och bättre anpassade till verklig risk. Även om fallstudien fokuserar på biometriska system inom bankväsendet kan samma angreppssätt vägleda komplexa val inom områden som miljöpolitik, hälsoteknik eller cyberförsvar, där beslut måste fattas under djup osäkerhet och föränderliga förhållanden.

Citering: Kanwal, S., Shuaib, U., Alhamzi, G. et al. Optimizing biometric system selection via complex spherical fuzzy einstein aggregation operators. Sci Rep 16, 13183 (2026). https://doi.org/10.1038/s41598-026-39908-3

Nyckelord: biometrisk säkerhet, fuzzylogik, flera kriteriers beslutsfattande, förebyggande av bankbedrägerier, modellering av osäkerhet