JP2001184430A

JP2001184430A - データの完全性を保証するためにベイジアン・ビリーフ・ネットワークを使用する方法およびシステム

Info

Publication number: JP2001184430A
Application number: JP2000329599A
Authority: JP
Inventors: Coleman Lon; コールマンロン; Renzettei Richard; レンゼッティリチャード
Original assignee: Citibank NA
Current assignee: Citibank NA
Priority date: 1999-10-28
Filing date: 2000-10-27
Publication date: 2001-07-06
Also published as: GB0026420D0; US8041632B1; US8341075B2; GB2363489A; US20130103612A1; US20120004949A1

Abstract

(57)【要約】【課題】金融取引に関連するリスクおよび／またはエ
クスポージャを，様々な統計的手法や確率的手法を用い
て評価する方法およびシステムを提供すること。【解決手段】ベイジアン・ビリーフ・ネットワーク
を、リスク評価システムにおける入力／出力間およびこ
れらと他の外部因子との関係をモデル化する規範的診断
ツールとして使用することにより、金融リスク評価シス
テムに入力されたデータにおけるエラーの尤らしい情報
源を割出すようにした。

Description

【発明の詳細な説明】

【０００１】発明の分野本発明は、ポートフォリオ取引に関連する金融リスクを
評価するためのシステムおよび方法に関する。特に，本
発明は、金融リスクおよび／又はエクスポージャ（資産
損害の可能性）を評価するために使用されるデータの完
全性を保証するシステムおよび方法に関する。

【０００２】関連技術の記載企業や金融機関が、グローバル経済への依存度をより大
きくして成長するにつれ、為替レート、利率、および市
場の変動が、大きなリスクを招いている。リスクを適正
に定量化し管理できなければ、ベアリングズ社（Ｂａｒ
ｉｎｇｓＩＮＧ）のような悲惨な結果になることもあ
る。このため、リスク管理の一助として、企業は、デリ
バティブ商品（デリバティブ・インストゥルメント）の
取引を行なって、十分な対価と引き換えにリスクを他者
へ選択的に移転させることがある。

【０００３】デリバティブは、他の原証券からその価値
を派生させる証券である。例えば、アランがボブに１０
０ドルを変動レートで貸し付けているとする。レート
は、現在７％である。ボブは、銀行に電話して次のよう
にいう。「利率は上がるのではないかと思う。７％を支
払うので、現行の変動レートで私のローンをアランへ支
払って貰いたい。」。この場合、利率が下がれば、その
利率差（７％の変動利率と新しい低い利率との差）で銀
行の儲けとなり、ボブは、より高い利率で借りているこ
とになる。しかし、利率が上がれば、銀行は金を失い、
ボブはより低い利率で借りていることになる。したがっ
て、銀行は、通常、新たなリスクを補償するためにリス
ク／サービス料金の請求を行なう。

【０００４】デリバティブは、リスク移転手段としての
働きもある。最初、デリバティブは外国為替レートや金
利等の独立要因の変化に対するエクスポージャを低減す
るのに使用されたが、最近は、デリバティブは、ミュー
チュアル・ファンドの管理者や、企業の財務担当者や、
年金基金管理者に利用されるそれぞれ別異の投資戦略に
魅力となる場合がある投資リスクのカテゴリー分類に利
用されている。これら投資管理者らは、証券の特有のリ
スク特性を想定したほうが有利であるという判断をする
場合があるからである。

【０００５】デリバティブ市場は、主としてリスク管理
において、現在の金融市場でますます重要な役割を演ず
るようになってきている。デリバティブ証券は、投資家
や、企業や、国が、各々、金融リスクに対して有効にリ
スク回避することができるメカニズムを提供する。金融
リスクを回避することは、保険を買うようなものであ
る。すなわち、リスク回避は、企業や国が自由にならな
い変動の悪影響に対しての保険を提供するものである。

【０００６】会社組織等の企業体は、変動する利率、利
子、通貨に基づいた取引を何度となく行なう。これら証
券の変動をヘッジするため、企業体は、固定レートを提
供することによりあるコストでリスクを引受けて貰える
金融機関と別の取引を結ぼうとする。金利および外国為
替レートのデリバティブは両方とも、保有する特定の取
引に対して固定レート／価格での固定が行なわれる。

【０００７】別の例を考えてみよう。ある米国の会社の
ＡＢＣ社が、商品の積荷に対して英国ポンドでの支払を
希望する場合、為替手形の支払期限の時点で米国ドルと
の為替レートが不利になるというリスクを減らすため
に、Ａ銀行とデリバティブ契約を結ぶ場合がある。デリ
バティブ商品では、Ａ銀行は、期日支払金額を、デリバ
ティブ契約が行なわれた時点で有効な為替レートでＡＢ
Ｃ社に対し支払う義務がある。デリバティブ商品を用い
ることにより、ＡＢＣ社は、為替レートの変動のリスク
をＡ銀行に移転したことになる。

【０００８】金融市場は、過去数十年よりも、利率変動
の“スウィング”の影響を大きく受けやすくなってきて
いる。結果的に、金融デリバティブも、企業の債務管理
において、新たな債務証券の発行の出費をかけずに有利
な利率の利用を望む企業の財務担当者にも魅力的なもの
となってきた。例えば、ある会社が７％の利率で長期債
を発行し、そして現在の利率が５％である場合、その企
業の財務担当者は、基本的負債元本自体には手をつけず
に、その長期債の金利支払を変動金利と交換する(すな
わち、スワップする)という選択を行なう場合がある。

【０００９】リスクを管理するため、金融機関は、取引
の金融リスクの評価に定量応用法を実施してきた。しか
し、複雑なデリバティブ契約に関連するリスクの計算は
非常に難しい場合もあり、二、三十年に及ぶこともある
満期日での、利率や、為替レートや、市場価格の推定を
行なわなければならない。リスクの見積には、種々の統
計的および確率的手法が用いられている。当技術分野で
は、通常、プレセトルメント・エクスポージャ（ＰＳ
Ｅ）サーバーと呼ばれる、リスク評価システムが知られ
ている。

【００１０】ＰＳＥサーバーは、デリバティブ契約の契
約期間に亘る市場条件をシミュレートして、最悪のシナ
リオを表すエクスポージャ・プロファイルを、二標準偏
差信頼区間内、または、９７．７％の信頼範囲内で決定
するようにすることをよく行なう。従って、ＰＳＥサー
バーは、金融機関が９７．７％の可能性で間違いなく持
ちこたえると考えられる最大損失の推定値を出力する。
このエクスポージャ・プロファイルは、将来の負債を現
在の見積として出すよう計算されるが、市場条件が日ご
とに，又はその日の内でも変動するため、それに伴って
計算したエクスポージャ・プロファイルは変化する。た
だし、これらの変化は、必ずしも市場変動に因るものと
は限らず、入力データのエラーに因るものである場合が
ある。

【００１１】発明の概要従来、入力データのエラーの検出は、信用アナリストに
より手作業で行なわれていた。しかし、入力データの量
が非常に多いため、信用アナリストがエラーの全てを検
出して訂正することは実際的でない。しかし、信用アナ
リストが、入力データの中からエクスポージャ・プロフ
ァイルに重要な変更を引き起こすエラーを検出する確率
は高い。

【００１２】プレ・セトルメント・エクスポージャ（Ｐ
ＳＥ）サーバーは、大量の取引データおよびマーケット
・データを入力情報として受取って、大量のデータを生
み出すが、問題は：出力における変更が、ａ）統計的な
シミュレーションを含むシステムの通常操作；ｂ）期待
市場変動；ｃ）企業運営；ｄ）システム故障；または
ｅ）いい加減なデータ、のどれに因るものであるのかと
いう点である。このように、ＰＳＥサーバーによるエク
スポージャ報告の正確さは、分析の正確さとデータの質
次第なのである。しかし、データの質は、保証されない
し、パーミュテイション毎にテストすることも困難であ
る。しかも、経験的に云えることは、エクスポージャを
作為的に理解したり誇張する可能性によってビジネスが
悪影響を受けることがあるため、データの妥当性のチェ
ックを体系的に実行する必要があるということである。

【００１３】しかし、大量でしかも複雑なデリバティブ
取引とマーケット・データである上に毎日の報告締切時
間に間に合わせなければならない時間的制約により、デ
ータの手作業によるチェックは事実上不可能である。原
則的には、契約毎、利回り曲線毎、または、為替レート
毎にチェックを入れることは可能である。というのも、
それらは、ＰＳＥサーバーへの入力であるからである。
しかし、報告の締切や仕事の速度に追われることによ
り、これを一日の内にあるい毎日行なうことは、事実上
不可能である。従って，オペレーション調査の対象とな
る原因と効果の全てを理解するという点から、前記サー
バーをブラック・ボックスとして取り扱うと都合がよ
い。

【００１４】ブラック・ボックスの将来の見通しに対し
支払う対価が、時に、カウンター・パーティのエクスポ
ージャにおける変化が説明のつかない、あるいは不可解
でさえある、と思われることである。なお、ここで云
う、カウンター・パーティとは、何らかの信用リスク
（例えば、将来のある時点で借りているものの支払がで
きない可能性のあるリスク）のある顧客を指す。ブラッ
ク・ボックス・サーバーの自動検査分析の支援ロボット
をもってしても、ドリル・スルーな分析を避け、結果的
に“説明のつかない”ものになる異常なエクスポージャ
・シフトが相当数残る。しかも、論理的説明がなければ
ならないが、それを定期的に追求する人材はほとんどい
ない。唯一、非常な危機や問題が生じた場合だけ、全て
のデータに最後まで目を通すために、“専門家”（信用
管理者、システム・プログラマー等）の助けが求められ
るだけである。従って、目標は、上記したａ）乃至ｅ）
について信用のできる説明を見つけることである。

【００１５】しかし、この目標は、容易な仕事ではない
し、大きな財源の消失や流出がある場合は、もっと重要
なビジネスに焦点が別途当てられる場合もある。従っ
て、少なくとも初期審査を目的として、このような方法
が自動化できたら、スタッフの時間の節約がかなりもの
となり、生産性の向上および徹底的な質の改善を図るこ
とができることになる。

【００１６】従って、本発明の好適実施形態は、プレ・
セトルメント・エクスポージャ（ＰＳＥ）サーバー等の
リスク評価システムのエクスポージャ・プロファイルに
おける変更を、特定の効果について最も可能性の高い原
因を決定するために帰納法や後ろ向き推論を行うことに
よって診断や説明を行なう、カスタマイズ可能なベイジ
アン・ビリーフ・ネットワーク用のシステムおよび方法
を提供するものである。

【００１７】また、本発明の好適実施形態は、さらに、
金融リスク評価システムに入力として用いられたデータ
におけるエラーの一見尤もらしい情報源を確認する方法
およびシステムを提供するものである。

【００１８】また、本発明の好適実施形態は、さらに、
リスク評価システムの入力／出力間およびこれらとその
他外部要因との関係を形に表す基準となる診断用ツール
としてベイジアン・ビリーフ・ネットワークを実施する
ための方法およびシステムを提供するものである。

【００１９】また、本発明の好適実施形態は、ＰＳＥサ
ーバー等のリスク評価システムのエクスポージャ・プロ
ファイルにおける変更を“説明”するためにベイジアン
・ビリーフ・ネットワーク（“ベイジアン・ネットワー
ク”としても知られている）を使用するよう設計され
た、自動基準診断ツールを備えてなる、ディープ・イン
フォーマティブ・バーチャル・アシスタント（ＤＩＶ
Ａ）用のシステムおよび方法を提供するものである。

【００２０】また、本発明の好適実施形態は、さらに、
ある説明の別の説明に対する相対的重要性を指摘するこ
とにより、センシティビティ分析と説明コンテクストと
を提供するＤＩＶＡ用システムおよび方法を提供するも
のである。

【００２１】また、本発明の好適実施形態は、さらに、
データの掘り出しと専門家とのやりとりのスピードが速
いＤＩＶＡ用のシステムおよび方法を提供するものであ
る。従って、ＰＳＥサーバー側での通常の処理時間の能
力がほとんど落ちることがなく、且つカウンター・パー
ティごとの１件ごとの照会についての双方向の応答時間
が短い。

【００２２】また、本発明の好適実施形態は、説明の不
整合性と矛盾点について自己診断するＤＩＶＡ用のシス
テムおよび方法を提供するものである。

【００２３】また、本発明の好適実施形態は、さらに、
プログラム・モジュールと、知識ベースと、統計履歴
と、データを深く分析するための拘束知識（コンストレ
インツ）とを含んでなるＤＩＶＡ用のシステムおよび方
法を提供するものである。また、その知識ベースには、
当該システムに前記ＰＳＥサーバーの“視界外の”シス
テムおよびプロセスについて一見尤もらしい推論を空間
と時間との両方において作らせる、原因と結果に関する
詳細画像情報を含む。

【００２４】また、本発明の好適実施形態は、ＰＳＥサ
ーバーにより処理される金融デリバティブ情報の量、複
雑性および多くの側面をもつ特性をサポートして、その
情報に関するデータ完全性の論理的・体系的分析を行な
うＤＩＶＡ用のシステムおよび方法を提供するものであ
る。

【００２５】また、本発明の好適実施形態は、さらに、
各カウンターパーティに対して矛盾せず、且つ少なくと
も取引数およびマーケット・データ量に関し測定可能で
あるＤＩＶＡ用のシステムおよび方法を提供するもので
ある。

【００２６】また、本発明の好適実施形態は、さらに、
空間と時間の両方において“視界外の”推論を行なっ
て、ＰＳＥサーバー以外の潜在的問題源を提示すること
のできるＤＩＶＡ用のシステムおよび方法を提供するも
のである。また、このＤＩＶＡは、ある知識の状態を与
えれば、将来起こりそうな結果に関する予測を行なうこ
とも可能である。

【００２７】また、本発明の好適実施形態は、さらに、
知識ベースの内容および設計が推定エンジンとは独立す
るように設計されたＤＩＶＡ用のシステムおよび方法を
提供するものであり、従って、ＤＩＶＡは、弾力的修正
に対してモジュール構成とすることができる。

【００２８】また、本発明の好適実施形態は、さらに、
少なくとも３つのオペレーショナル・モード、すなわ
ち、（ａ）プレ・リリース、（ｂ）ポスト・リリースま
たはフォロー・アップ、そして（ｃ）予防保守、を有す
るＤＩＶＡ用のシステムおよび方法を提供するものであ
る。なお、プレ・リリースは、フィードの到着後で、信
用アナリストによるホールド・リリースの決定前のモー
ドを含む。また、ポスト・リリースは、信用アナリスト
がランをさらに詳細に調べる予定のとき、ホールド・リ
リースの決定を行なった後のモードを含む。最後に、予
防保守は、システム・データを定期的にこすり落とさ
せ、またプレ・リリースまたはポスト・リリースの間に
無視したり抑制した潜在問題を調査するモードを含む。
なお、これらモードの各々は、分析を濾過するのに用い
る証拠に別々の標準を用いてもよい。

【００２９】また、本発明の好適実施形態は、製造や品
質保証（QA）環境を説明するよう構成可能なＤＩＶＡ用
のシステムおよび方法を提供するものである。実際に
は、ＱＡにおいては多くの問題が見られる（または見ら
れることが予想される）ため、当該システムにはより多
くの有用性を持たせてもよい。

【００３０】本発明の別の態様や新規な特徴を以下の明
細書に一部記載するが、一部は当業者にとってはその開
示を見べればさらに明らかなものになるであろう。

【００３１】発明の実施形態本発明の実施形態を詳細に説明する。カスタマイズされ
たベイジアン・ビリーフ・ネットワーク(ベイジアン・
ネットワークとしても知られている)を利用して、例え
ば、プレ・セトルメント・エクスポージャ（ＰＳＥ）サ
ーバー等のリスク評価システム用のデータの完全性の理
論的および体系的分析を行なって、その情報に基づいて
金融リスクやエクスポージャの正確な評価を確実なもの
にする、ディープ・インフォーマティブ・バーチャル・
アシスタント（ＤＩＶＡ）用システムおよび方法に関す
る。

【００３２】当技術分野では一般に知られているよう
に、ベイジアン・ネットワークは、１８世紀の長老派の
牧師であり英国学士院のメンバーでもあったトーマス・
ベイズの名にちなんでつけられたベイズの定理の原理に
基づいて機能するものである。このベイジアン・ネット
ワークは、構造的で且つ定量的である知識ベースであ
る。構造部分は、問題領域（ドメイン）における変数間
の条件付き関係を描くノード(確率変数)のグラフまたは
ネットワークで表される。また、定量的部分は、ネット
ワークにおける関係の強さとして解釈することができる
条件付き確率により表される。

【００３３】本発明の実施形態では、ＰＳＥサーバー
は、数千の機能点を有する複雑系である。該サーバー
は、世界市場の状況により変動する入力金融情報として
受取る。また、モンテカルロ・シミュレーション等の統
計的プロセスを用いて、将来の現実的マーケット・シナ
リオを推定する。なお、モンテカルロ法とは、統計的サ
ンプリング実験を行なうことにより、リスク見積および
エクスポージャ・プロファイルの発生に関する種々の数
学的問題を略解決する方法を提供するものである。な
お、この方法は、確率的コンテントを有しない問題だけ
でなく、固有の確率的構造を有する問題にも適用可能で
ある。

【００３４】ＰＳＥサーバーは、取引データとマーケッ
ト・データとを大量に受取り、分析し、そしてこれらデ
ータを発生させるため、データを１件ごとすべてチェッ
クすることは実際上不可能である。従って，本発明の実
施形態では、オペレーション調査の対象となる原因と効
果を全て理解するという点から、前記サーバーをブラッ
ク・ボックスとして取り扱うと都合がよい。図１Ａおよ
び図１Ｂは、ＰＳＥサーバーを、出力結果を対応する入
力原因と関連付けしたブラック・ボックスとして描いた
ものである。

【００３５】従って，主要問題は、干草の中から一本の
針を見つけるに等しい。何故なら、ＰＳＥサーバーが受
取り発生させるデータのほとんどは正しいものであるか
らである。その上、データ内に、通常エクスポージャ・
プロファイルにおける大きな変更を引起すような重大な
変更がある場合には、その状況は自明であるのが一般的
である。従って、発見および訂正を必要とする問題は、
微妙でより深淵な問題である。論理的分析、前の経験、
および常識により、本発明に係るＤＩＶＡは、干草の中
から一本の針を見つけ出すことができる。すなわち、Ｄ
ＩＶＡは、ＰＳＥサーバーにおいて、特定の原因を特定
の結果と確実に関連付けることができるものであり、職
員の時間と人的資源を節約する。

【００３６】本発明の好適実施形態に係るＰＳＥサーバ
ー等のリスク評価システムは、ブラック・ボックスとし
て扱うことができるが、非公式には規則８０−２０によ
るビヘイビアのある特定パターンを提示するよう期待さ
れる。すなわち、問題のほとんどは、比較的少数の状況
により引き起される。上記した理由により、因果関係
は、概して決定論的ではなく確率的である。当技術分野
において知られているように、決定論的モデルでは、特
定の実験結果は正確に予測することができるのに対し、
確率的モデルでは、様々な実験予想結果に対する相対的
頻度を予測することはできるが、不確実性なしに予測す
ることはできない。

【００３７】ＤＩＶＡにより決定される、因果関係と確
率の面での因果関係の強さとは、ベイジアン・ビリーフ
・ネットワークと呼ばれる知識ベースで表される。本発
明の一実施形態では、このビリーフ・ネットワークとし
て、因果関係を提示可能なグラフや、推論エンジンに結
果から原因に至るまで帰納的に推論させる決定解析が挙
げられる。従って、ビリーフ・ネットワークに基づいて
自動化されてはいるが“監視”補助としての、ＤＩＶＡ
は、信用アナリストの代わりというよりも、支援用であ
る。

【００３８】本発明の一実施形態では、Ｈｕｇｉｎ^ＴＭ
ソフトウェア等の第三者のソフトウェアを用いて、ビリ
ーフ・ネットワークを発現用のグラフィカル・ユーザー
・インターフェース（ＧＵＩ）シェルや、埋め込み式ア
プリケーション用のアプリケーション・プログラム・イ
ンターフェイス（ＡＰＩ）とするようにしてもよい。こ
のソフトウェアは、ここではＡＰＩソフトウェアと称す
る。このソフトウェアは、人口知能を生むことはない。
むしろ、主要なジョブは、同時確率表、Ｐ（Ｘ_１，Ｘ_２，．．．,Ｘ_Ｎ）を計算することである。この場合、状態が２つだけの変
数に対してＯ（２^Ｎ）のコンプレクシティが必要とな
る。任意の現実性Ｎの場合は、例えば、

【数１】の場合、この表の直接実行は、今日および予知可能なほ
ど近い将来において使用されているコンピュータの能力
を超える。しかし、完全同時確率表を実際に発生させす
ることなく、本発明の一実施形態に係るＡＰＩにより実
行されるビリーフ・ネットワークは、様々な数学的方法
や、より合理的な空間と時間を利用したソフトウェアの
実施によるシステム技術を有効に使うことによって、こ
の問題を通常に処理することができる。

【００３９】本発明の一実施形態では、ＤＩＶＡは、思
想的にも、ソフトウェアの点でも、インフラストラクチ
ャー・サポートを提供するもので、ビリーフ・ネットワ
ークとインターフェースをとる。その程度までは、少な
くとも１人の“専門家”を雇って、知識ベースをＤＩＶ
Ａ用のビリーフ・ネットワークとして特定するようにす
る。この場合、そのビリーフ・ネットワークは、知識の
閉鎖世界である。自動化された学習手法を用いて知識ベ
ースを自動的に発生するようにもできる。この場合、Ｄ
ＩＶＡは、ビリーフ・ネットワークからの結果を解釈す
るのに用いられる。確かに、ＤＩＶＡが直面し解決する
問題の１つは、先に述べたように、大半の時間でデータ
が正しいとき、重大な変更が観察されたという“証拠”
を構成するものは何なのかという疑問である。正しいデ
ータの大きな山の中に埋もれた問題があるかもしれない
という事実は、干草に相当する。しかし、その事実は、
利点として見ることもできる。本発明の一実施形態で
は、ベイジアン・ビリーフ・ネットワークの初期確率
を、後述するように、この経験（エクスペリエンス）を
反映するよう設定することができる。

【００４０】また、本発明の一実施形態では、ＤＩＶＡ
のジョブには、針を抽出する、すなわち、問題を尤もら
しく解説した情報源を突きとめること、が含まれる。な
お、本発明では、尤もらしさとは、あらゆる所定評価の
伴った不確実性の残るものの存在のことを指す。たとえ
ＤＩＶＡが問題を見つけられない場合でも、ＤＩＶＡ
は、問題を生じそうにない情報源は除外することがで
き、ある結果の原因を評価する際にこのことを知ること
は依然有益なものである。

【００４１】ビリーフ・ネットワークは閉鎖世界の知識
であるため、論理矛盾の可能性が生じる。本発明の一実
施形態によれば、ビリーフ・ネットワークの閉鎖世界表
示の理論は、ＤＩＶＡがゲーデルの不完全性定理に一致
するということである。当技術分野では知られているよ
うに、ゲーデルの不完全性定理は、ある系が行なえるこ
とを制限する。すなわち、あらゆる論理体系内では、真
であるとも偽であるとも証明できない命題が存在する。
従って、系の境界内で限定されたルールによりそのよう
な命題を証明しようとするあらゆる試みは、矛盾という
結果になる可能性がある。従って、ＤＩＶＡがゲーデル
の不完全性定理と合致するには、あらゆる実際的目的の
ため、ＤＩＶＡは、ａ）ある結果に対する原因を確実
性、すなわち、確率１、で見つけるか、それとも、ｂ）
ＤＩＶＡ自身が矛盾するということを意味することにな
る。

【００４２】なお、矛盾は、ＤＩＶＡが、適正に機能し
ないということを意味するものではない。実際には、ベ
イジアン・ビリーフ・ネットワークが矛盾を生じた場
合、そのＤＩＶＡは、そのような状態であることを示し
て、信用アナリストに告げることができる。矛盾は、次
のことを意味する、（ａ）ＡＰＩソフトウェア等のビリ
ーフ・ネットワークをドライブする推論エンジンまたは
ＤＩＶＡに、修正する必要のあるバグがある、（ｂ）ビ
リーフ・ネットワークが矛盾している、この場合、その
設計内に修正する必要のあるバグがある可能性が高い、
あるいは、（ｃ）ネットワークが不完全である可能性が
高い。ネットワークが不完全な場合、それを知ることが
有益である。何故なら、そのことは、知識ベースの仮説
空間を実の経験に適応させる必要のある情報を提供する
からである。

【００４３】本発明の一実施形態では、ＤＩＶＡは、コ
ンテクストを追加することができる。何故なら，ＤＩＶ
Ａは、ＰＳＥサーバーにおいて原因と結果を理解し、且
つそれらがベイジアン確率論的意味においてどのように
もっともらしく関連付けられるのかを理解しているから
である。従って、ＤＩＶＡは、観察された結果から逆に
推論していくことにより、仮説の原因の条件を推論する
ことが可能である。実際、ＤＩＶＡは、原因の事前確
率、すなわち、結果を観察する前の確率、をいうことが
できる。当技術分野では一般に理解されるように、事前
確率は、背景のコンストレインツ（拘束知識）だけが与
えられた場合の確率である。これは、分析の開始に事前
確率を必要とするベイジアン論理展開の結果である。

【００４４】本発明の好適実施形態により解決すべき基
本的問題を図１Ａに表す。ＰＳＥサーバー１００が実行
を完了した後、エクスポージャ・プロファイルが、かな
り多数の理由によって大きく変化することもあるが、信
用アナリストの観点からみると、因果関係は、常に明白
とは限らず、どんな場合も、その強さを正確に評価する
ことはできない。というのも、このような情報は一般的
に信用アナリストには入手することができないからであ
る。

【００４５】本発明の一実施形態では、ＤＩＶＡの基本
的な考え方は、専用の知識ベースであるベイジアン・ネ
ットワークを用いて、図１Ｂに示すように、原因と結果
を相互関連付けることである。この新規な手法は、
（１）結果であるＹ_{ｅｆｆｅｃｔ}を観察し、その条件付
き確率であるＰ（Ｙ_{ｅｆｆｅｃｔ}│Ｚ_{ｃａｕｓｅ}）を演
算すること、そして（２）原因であるＺ_{ｃａｕｓｅ}の確
率を評価し、Ｐ（Ｚ_ｃａｕ _ｓｅ│Ｙ_{ｅｆｆｅｃｔ}）を演
算することにより、可能である。ただし、このような分
布が、よく定義された理論や、経験的観察や、“自力”
分析により、知ることができることを条件とする。好適
実施例では、後者の２つの組合わせ、すなわち、経験的
観測と自力分析、を使って、Ｐ（Ｙ_{ｅｆｆｅｃｔ}│Ｚ
_{ｃａｕｓｅ}）を演算するようしている。なお、このＰ
（Ｙ_{ｅｆｆｅｃｔ}│Ｚ_{ｃａｕｓｅ}）の計算を“保存”し
て、ベイジアン・ビリーフ・ネットワークに埋め込まれ
たベイズ定理を用いてＰ（Ｚ_{ｃａｕｓｅ}│Ｙ
_{ｅｆｆｅｃｔ}）を演算するようにすることも可能であ
る。

【００４６】このように、本発明の好適実施例では、ベ
イジアン・ビリーフ・ネットワークを用いて、ＰＳＥサ
ーバーにおいて何が起こっているのか（または起こって
いないのか）を、ＰＳＥサーバー側で見つける原因と結
果とを直接関係付けることにより、体系的に説明するよ
うにしたＤＩＶＡを設けたものである。ＤＩＶＡは、デ
ータをより深く調べ、ＰＳＥサーバーより勝った調査、
すなわち、“視界外の”調査も可能である。この“視界
外の”という思想は、空間、時間、またはその両方を同
時に調べることができるものである。空間推論において
は、ＤＩＶＡは、正式にはＰＳＥサーバーの一部ではな
いがエンド・ツー・エンド論理の流れの一部分である、
例えば、商品、クレジット、および顧客情報の各系にお
ける原因について推論することができる。従って，空間
は、物理的に分離可能または不能な独立した下位系統間
における理論的分離である。

【００４７】“視界外の”という思想は、後ディクショ
ンや予測を使って時間的にも推論が可能である。換言す
ると、ＤＩＶＡは、通常、ＰＳＥサーバーが、そのシミ
ュレーションを完了した後に起こったことの説明を行な
う。しかし、前記商品、クレジット、および顧客システ
ムからの入力という形での不完全情報、これらはＰＳＥ
サーバーがそのシミュレーションを開始する前に入手す
る必要はある、を前提として、起こりそうなことについ
て予測することも可能である。このような予測特性は、
極めて有益である。何故なら、モンテカルロ・シミュレ
ーションを使って信用リスクを測ると、１件のポートフ
ォリオに対し８時間以上かかってしまうこともあるから
である。ＤＩＶＡは、このような実行時間が長時間に及
ぶプロセスを開始する前に起こりそうな結果を“予想”
して、そのプロセスがうまく行かないように思われた場
合（入力に誤りがあるようであり、正確な結果が得られ
そうにないため）、中止を勧め、そして高品質な結果が
生まれる可能性が高いと思われるジョブストリームでの
次のジョブを開始することができる。

【００４８】次に、ＤＩＶＡがＰＳＥサーバー・エクス
ポージャ・プロファイルにおける変更の診断および／ま
たは説明に用いるベイジアン・ビリーフ・ネットワーク
について、図２に示す本発明の一実施形態に基づいて説
明する。ベイジアン・ビリーフ・ネットワーク２００
は、上記した第三者のＡＰＩソフトウェアによって実行
することも可能である。ベイジアン・ビリーフ・ネット
ワークは、原因を結果に結びつける確信(ビリーフ)や知
識の確率論的説明からなるものであり、ＰＳＥサーバー
変数における変更の確率を表すノード２１０の集合と、
これらノード間をつなぐものとを含んでなる。表１は、
図２に示した仮説の変数を定義するものである。

【００４９】

【表１】表１に示すように，各ノードは、確率変数、または偶然
変数、あるいは不確実な量を表し、２つ以上の可能値を
とることがある。本発明の一実施形態では、ノードは、
状態を有する確率論的状態変数を表す。換言すると、こ
れら変数は、所与の状態にある確率分布を表す。本発明
の好適実施形態では、各ノードは、厳密に相互に排他的
な離散状態を２つ、すなわち、真または偽、を有するも
のである。従って、全てのノードは、離散型ブール代数
的である。変数は、例えば、ＰＳＥサーバーなどのリス
ク管理システムの、入力データ、出力データ、中間デー
タ、および／または外部データに関する情報からなる。
各ノードをつないでいる矢印２２０は、リンクした変数
間の直接因果的影響を示すものであり、その影響の強さ
は、条件付き確率により定量化される。例えば、図２に
おいて、変数ｄＣｅｆｓは、変数_Ａｍｎｔｓに依存す
る。

【００５０】本発明の好適実施例では、表１では接頭記
号を用いて、モデル化している原因または結果の種類を
表すようにしている。例えば、“ｎＹ”は、“Ｙが総数
についての仮説である”ことを意味し、“ｄＸ”は、
“Ｘがドル額についての仮説である”ことを意味してい
る。他の接頭記号は、下記の表２に示す。

【００５１】

【表２】表２に示すように、観察可能な変数の種類は５つある。
これらの変数は、ＰＳＥサーバーにおいて観察でき且つ
測定できるという意味で“観察可能なもの”である。換
言すると、観察可能な変数についてハード・エビデンス
（信頼できる証拠）を得ることができるものである。ま
た、これらの変数は、空間、時間、またはその両方の点
で“視界外”分析の基礎となるものである。換言する
と、ＰＳＥサーバー上で観察された変数は、後で詳述す
るように、サーバー外のもっともらしい原因を推論する
のに用いることが可能である。また、表２は、観察不能
な変数の種類が２つある、すなわち、抽象変数（_Ｙ）
と外部変数（ｘＹ）、ことを示している。ベイジアン・
ネットワークの用語では、抽象変数は、原因と結果の論
理入力数を制限または管理する分離変数(ディボース・
バリアブル)と呼ばれている。ここで、論理入力数と
は、単一の変数に影響を及ぼす親変数の数をいう。抽象
変数は、主として、詳細を隠し（表示せず）且つネット
ワークを編成するメカニズムとして作用するもので、他
の変数、観察可能なものやそれ以外のもの、を編成する
のを助けるのに使用されるデバイスである。また、抽象
変数は、観察に選択されなかった観察可能な変数でもよ
い。この意味で、抽象変数は、周辺原因または結果だけ
伴う仮想ノードである。これら抽象変数は、ネットワー
ク・モデリング・デバイスである。これら抽象変数は、
ハード・エビデンス、すなわち、現実世界の実際の検出
事項、をもたない。ただ、ネットワークのどこかで提供
されるハード・エビデンスから推論されたものをもつだ
けである。

【００５２】一方、外部変数は、直接測定することがで
きないことを除けば、現実の世界における変数を形つく
るものである。その存在は経験から推定される。抽象変
数と同様に、外部変数は、ハード・エビデンスを持た
ず、周辺証拠を持つだけであるが、外部変数は、モデリ
ング・デバイス以上である。外部変数は、ＰＳＥサーバ
ー以外の系の確率、いずれにせよ、非常に有益な情報の
ネットワーク以外の系の確率、を与えるものである。抽
象変数と同様、外部変数は、“ソフト・エビデンス、す
なわち周辺証拠のみ有するものである。

【００５３】図２は、変数が１４個だけのベイジアン・
ビリーフ・ネットワーク２００を示した。なお、これら
変数は、本発明の好適実施形態の説明を簡単にするため
選んだ、複雑さの低い比較的小さな設計を構成するもの
である。しかし、ネットワーク２００は、ＰＳＥサーバ
ーの規模および／または信用アナリストが観察を希望す
る変数の数に因り、多少の変数を含む場合があることは
理解されよう。本発明の実施形態では、ベイジアン・ビ
リーフ・ネットワーク２００の設計の規模および複雑さ
は、説明すべき問題領域（ドメイン）における変数の数
の関数である。ベイジアン・ビリーフ・ネットワークに
おけるノードの数とその関係性は、その複雑度の測定で
ある。この複雑度は、ＩＱと呼ばれ、以下の式から概算
することができる。

【００５４】ＩＱ＝ｋ−ｋ_ｍｉｎ＋１，ここで、ｋは、連結の数であり、ｋ_ｍｉｎは、完全に連
結したグラフに必要とする最小の接続数である。例え
ば、図２のベイジアン・ビリーフ・ネットワークは、Ｉ
Ｑが５である。

【００５５】従って、本発明の実施形態に係るＤＩＶＡ
は、あらゆる規模のベイジアン・ビリーフ・ネットワー
ク２００を収容する拡張性を有するものである。問題領
域における関係の変数は、統計学的に分布する原因と結
果についての仮説を表す一次変数である。一次変数は、
ＰＳＥサーバー上の信用エクスポージャ・シフト等の大
多数のエクスポージャ・シフトの説明に使用される。こ
れら一次変数を選択する理由は、それらが“一次”結果
と見なし得るものを制御するからである。すなわち、過
去の経験が教えることは、ＰＳＥサーバーのエクスポー
ジャ・プロファイルが大きく変動するとき、専門家は、
通常、他を探す前にまず一次変数からデータの検討を始
めるのである。

【００５６】先に述べたように、ノード間の関係は、条
件付き確率的な影響力を表す。例えば、ＺによりＹが引
き起される場合、対象ｚを表すノードＺから対象ｙを表
すノードＹまでの関係がある。このようなネットワーク
においては、ノードＺは、ノードＹの親、あるいは、ノ
ードＹは、ノードＺの子と言われる。Ｚ(大文字のＺ)と
ｚ(小文字のｚ)との差、あるいは、Ｙ(大文字のＹ)とｙ
(小文字のｙ)との差は、後で説明する。

【００５７】本発明の実施例では、ベイジアン・ネット
ワーク２００における各ノードとその親は、２−状態条
件付き確率分布、すなわち、Ｐ（Ｚ_ｊ│Ｐａ
（Ｚ_ｊ）），を表す。ここで、Ｐａ（Ｚ_ｊ）は、ノード
Ｚ_ｊの親ノードである。さらに、ベイジアン・ネットワ
ーク２００は、因果関係ではなく、密接な関係を表すも
のである。従って、Ｙが親Ｚを持つノードである場合に
は、Ｚは、Ｙを確率Ｐ（Ｙ│Ｚ）と関係づけているとい
う意味である。例えば、ベイジアン・ネットワーク２０
０にはリンク、Ｐ（ｄＣｍｔｍ│ｄＰｅａｋ）、がある
が、このリンクは、ＣＭＴＭ（現行市場指標）における
変動に関係する最大エクスポージャにおける変化という
意味である。換言すると、最大値に変化が観られる場
合、ＣＭＴＭにおける変動が疑われ、証拠の重さ（ＷＯ
Ｅ）について確認か除外を要する。このことは、後で詳
述する。

【００５８】本発明の一実施形態では、ビリーフ・ネッ
トワーク２００は、まず証拠を検討する前に、知識の状
態と一致する初期分布や確率をロードする。換言する
と、ビリーフ・ネットワーク２００は、最初、ある結論
に有利なようにバイアスがかかる。この初期バイアス源
としては、客観的で明確な理論から完全に主観的な評価
まで多岐にわたる。

【００５９】本発明の一実施形態では、変数ｘおよびｙ
の初期分布は、Ｈ（ｘ）およびＨ（ｙ）でそれぞれ示す
ように、仮説である。そして、親ｙをもつノードｘは、
Ｈ（ｘ）│Ｈ（ｙ）として表わされるＨ（ｙ）が与えら
れた場合のＨ（ｘ）の仮説を指定する。Ｈ（ｘ）は、ｘ
に関する作業仮説または帰無仮説である、すなわち、
“ｘは変化しなかった”という仮説である。このよう
に、変化について疑惑側にバイアスをかけるよう初期分
布を提示したが、バイアスは、実際は直接の経験に対応
している。というのも、先述したように、ＰＳＥサーバ
ーにおける変数のほとんどは、ほとんどの時間において
正しいものであるからである。従って、前記帰無仮説
は、実際には実際的な基準を持つものである。当技術分
野では理解されるように、帰無仮説は、調べているパラ
メータに対して特定の状態を指定する仮説である。この
仮説は、通常、既知の仕様の系の標準の操作手順を表わ
す。

【００６０】仮説は、勿論、命題である。仮説は、真
（Ｔ）または偽（Ｆ）のいづれかであり、また論理の規
則に従ったものである。Ｈ（ｘ）は作業仮説であるの
で、最初真と仮定する。従って、説明を単純化するた
め、ここではＨ（ｘ）は、Ｈ（ｘ）＝Ｔを意味する。次
に、〜Ｈ（ｘ）は、前記仮定を否定する。すなわち、
“ｘは変化しなかった”という仮説は、偽であるという
ことを意味する。Ｈ（ｘ）Ｈ（ｙ）は、“ｘは変化しな
かった”という仮説および“ｙは変化しなかった”とい
う仮説が真である、という意味である。Ｈ（ｘ）＋Ｈ
（ｙ）という意味は、“ｘは変化しなかった”という仮
説、あるいは“ｙは変化しなかった”という仮説のいず
れかが真である、または両方の仮説とも真であるという
意味である。

【００６１】仮説は論理的であるから、図２に示したビ
リーフ・ネットワーク２００におけるノード２１０は、
前述したように、２つの状態、すなわち、ブール代数的
である。すなわち、各変数は、可能性のある状態が２つ
しかない、すなわち、ＴまたはＦしかない。各変数ごと
に帰無仮説の確率を決定するのに、ベイジアン・ビリー
フ・ネットワークが用いられる。古典的統計学では、こ
れは、ｐ−値、すなわち、帰無仮説を誤って拒絶する確
率、を指す。従って、Ｈ（ｘ）のｐ−値は、Ｐ（Ｈ
（ｘ））として表される。

【００６２】例えばゼロを条件付けする場合には、ｙに
ついての他の仮説が真であれば、ｘについての条件付き
作業仮説は真である。先述したように、この場合は、Ｈ
（ｘ）│Ｈ（ｙ）で表される。従って、条件付き確率
は、Ｐ（Ｈ（ｘ）│Ｈ（ｙ））である、すなわち、“ｙ
は変化しなかった”という仮説という前提付きにおけ
る、“ｘは変化しなかった”という仮説の確率である。
表記法での混乱を避け、また一般性のロスなしにするた
めに、以下、Ｐ（Ｘ│Ｙ）を用いて条件付き確率を表す
ことにする。ここで、ＸおよびＹは、それぞれ、ｘとｙ
についての仮説である。換言すると、Ｐ（Ｘ│Ｙ）＝Ｐ（Ｈ（ｘ）│Ｈ（ｙ））；ただしＸ＝Ｈ（ｘ）、Ｙ＝Ｈ（ｙ）。

【００６３】なお、ＸおよびＹは、古典的意味における
確率変数である。分布させるのは、ＸでもＹでもなく、
確率Ｐ（Ｘ│Ｙ）である。仮説ＸおよびＹは、対象ｘお
よびｙについての論理命題であり、Ｐ（Ｘ│Ｙ）は、Ｙ
と仮定するＸの信頼性についての信憑性の命題である。

【００６４】本発明の一実施形態では、ベイジアン・ビ
リーフ・ネットワークの設計は、２つの特徴、すなわ
ち、質と量、から構成している。質をネットワークの構
造すなわちアーキテクチュアで表し、量を確率分布によ
って表わす。質、すなわち、ネットワーク構造は、２つ
の特徴のうち最も重要な特徴である。というのも、系に
おける確実とみられる関係のうち正確性を表すものであ
るからである。従って、Ｐ（Ｘ│Ｙ）は、Ｐ（Ｙ│Ｘ）
と比較すると、異なる意味関係を与えるものである。

【００６５】例えば、図２に戻ると、ｄＣｍｔｍ２１２
が、“ポートフォリオのマーケットエクスポージャに対
する現行指標は変化しなかった”という仮説を表わすと
し、そしてｄＰｅａｋ２１４が、“ポートフォリオのド
ル最大エクスポージャ値は変化しなかった”という仮説
を表わすとする。論理規則により、Ｐ（ｄＣｍｔｍ│ｄ
Ｐｅａｋ）およびＰ（ｄＰｅａｋ│ｄＣｍｔｍ）が成り
立つが、実際には、これらは、異なる意味をもつ。すな
わち、前者は、因果律の弱い形としての関係に対して意
味があり、本発明の好適実施形態で用いているものであ
る。一方、後者は、因果律の強い形としての関係に対し
て意味があるが、これは推奨しない。というのも、ｄＣ
ｍｔｍ２１２ｄＣｍｔｍ２１２は、ｄＰｅａｋ２１４と
なるが、このような関係性は、本発明の目的にとっては
信頼性が置けないからである。

【００６６】また、ネットワーク構造がより重要である
という別の理由は、十分な証拠があると仮定するとき、
ベイジアン・ネットワークは、初期バイアスにかかわら
ず、“正しい”答えに収束することができるからであ
る。この場合における“正しい”は、“同じ”という意
味である。なお、収束とその収束速度は、ネットワーク
の初期バイアスと、提出されたＷＯＥ(証拠の重さ)とに
よって決まる。理論的には、これは、初期バイアスが定
数またはレベルとして作用し、その範囲内で２つの信頼
性の系の比が１に等しいということが観察されることに
より証明される。何故なら、ＷＯＥが同じであり初期の
食い違いを覆すからである。このことを数学的に正当化
すると、次のようになる。

【００６７】Ｏ（Ａ_ｉｋ）を信頼性の系ｋ下でのある仮
説Ａ_ｉの事前オッズとし、Ｏ（Ａ_ｉ _ｊ）を信頼性の系ｊ
下での同じ仮説Ａ_ｉの事前オッズとする。系ｋとｊは、
事前確率のみ異なるが、ベイズ・ファクターβｉにおい
て与えられる証拠の意味において一致している。従っ
て、十分に大量の証拠があるとすると、この２つの系に
対するＷＯＥは、次のように収束する。

【００６８】

【数２】従って、初期分布に対する選択は主要な関心事ではない
が、その分布は、ビリーフ・ネットワークの矛盾を引き
起こす分布を避けるように注意して選択しなくてはなら
ない。

【００６９】ビリーフ・ネットワークによる自己矛盾
は、最終的には問題を引き起こす可能性がある。これ
は、先記したように、ゲーデルの不完全性定理に含まれ
る問題点である。この解決手段は、クロムウェルの法則
である。この法則は、ベイジアン・ネットワークの如何
なるところでも、初期確率を含み、ゼロまたは１の確率
の使用を禁止するものである。また、クロムウェルの法
則は、リサンプリングを用いて尤度分布Ｐ（ｆ_ｉ│Ａ）
を発生させる場合に特別な役割をするが、この点は後で
述べる。

【００７０】本発明の一実施形態では、初期分布または
初期確率は、事前確率および初期条件付き確率からな
る。初期確率は、（ａ）“専門家”のアドバイスを使う
か、（ｂ）データから自動的に学習するか、あるいは
（ｃ）以下の値を用いる、ことにより、設定することが
できる（これは、データのほとんどがほとんどの時間に
おいて正しいことを観察することにより正当化可能であ
る）。

【００７１】Ｐ（Ｚ_ｊ＝Ｔ│Ｚ_ｋ≠ｊ＝Ｔ）＝０．９５；Ｐ（Ｚ_ｊ＝Ｔ│Ｚ_ｋ≠ｊ＝Ｆ）＝０．０５。

【００７２】最初の分布は、帰無仮説が正しいという確
実性が９５％、すなわち、Ｚ_ｊにより表わされる特徴
は、親であるＺ_ｋ≠ｊが変化しなかったとき、変化がな
かったということを示している。また、二番目の分布
は、帰無仮説が正しいという確実性が５％、すなわち、
Ｚ_ｊにより表わされる特徴は、親であるＺ_ｋ≠ｊが変化
したときには、変化がなかったということを示してい
る。このことは、常識から分かるし、また、実際の経験
にも合致する。

【００７３】Ｚ_ｊが親を一つ以上有する場合には、初期
の条件付き確率は、ノイズ状関数（ｎｏｉｓｙ−ｏｒ
ｆｕｎｃｔｉｏｎ）または論理状関数(ｌｏｇｉｃａｌ
−ｏｒｆｕｎｃｔｉｏｎ)から抽出することができ
る。例えば，あるネットワークＰ（Ａ│Ｂ，Ｃ）がノ
イズ状関数を使ってできている場合、ＣＰＴは、以下の
式を用いて計算することができる。

【００７４】Ｐ(Ａ│ＢＣ)＝Ｐ(Ａ│Ｂ)＋Ｐ(Ａ│Ｃ)−
Ｐ(Ａ│Ｂ)Ｐ(Ａ│Ｃ)、ここで、Ａ＝Ｔは、Ｂ＝ＴおよびＣ＝Ｔを条件とするあ
る確率を表わしている。換言すると、各仮説は、真の状
態にある。仮説が真の状態にない場合、すなわち、Ａ＝
Ｔ，Ｂ＝Ｔ，およびＣ＝Ｆの場合、ＣＰＴは、次式を用
いて計算される：Ｐ(Ａ│ＢＣ)＝Ｐ(Ａ│Ｂ)、Ｐ(Ａ│Ｂ)＝Ｐ(Ｂ)；そして、Ａ＝Ｔ，Ｂ＝Ｆ，およびＣ＝Ｔの場合、ＣＰＴ
は、次式を用いて計算される：Ｐ(Ａ│ＢＣ)＝Ｐ(Ａ│Ｃ)、Ｐ(Ａ│Ｃ)＝Ｐ(Ｃ)；また、Ａ＝Ｔ，Ｂ＝Ｆ，およびＣ＝Ｆの場合、ＣＰＴ
は、次式を用いて計算される：Ｐ(Ａ│ＢＣ)＝１−[Ｐ(Ａ│Ｂ)＋Ｐ(Ａ│Ｃ)−Ｐ(Ａ│
Ｂ)Ｐ(Ａ│Ｃ)] 本発明の一実施形態では、２つの重要な理由によりノイ
ズ状計算（ｎｏｉｓｙ−ｏｒｃａｌｃｕｌａｔｉｏｎ
ｓ）を使用する。１つは、ノイズ状のものは、条件付き
確率を集合論順列を使って組合すことができる場合、任
意の数の親に対して一般化できるからである。従って、
Ｐ（Ａ│ＢＣＤ）の場合、仮説が全て真の状態である場
合に対して、確率は、次のように組合わせることができ
る。

【００７５】Ｐ(Ａ│ＢＣＤ)＝Ｐ(Ａ│Ｂ)＋Ｐ(Ａ│Ｃ)
＋Ｐ(Ａ│Ｄ)−[Ｐ(Ａ│Ｂ)Ｐ(Ａ│Ｃ)＋Ｐ(Ａ│Ｂ)Ｐ
(Ａ│Ｄ) ]＋Ｐ(Ａ│Ｂ)Ｐ(Ａ│Ｃ) Ｐ(Ａ│Ｄ)，もう１つの理由は、ノイズ状のものは、クロムウェルの
法則を満たすからである。何故なら、合成確率は、Ｐａ
（Ａ）がＡの個々の親である場合、条件付き確率がゼロ
か１でない限り、漸近的なもの（すなわち、ΣＰ（Ａ│
Ｐａ（Ａ））→１）になるからである。ネットワークＰ
（Ａ│ＢＣ）が論理状のものを使ってできている場合、
上記条件付き式を計算する必要はない。実際、論理状の
ネットワークは構成がかなりシンプルである。ただし、
論理状のネットワークは、クロムウェルの法則を満たさ
ない。何故なら，定義により、ＣＲＴは、全仮説が偽の
状態にある場合、ゼロ確率を含むことになるからであ
る。しかし、このネットワークは、これ以外では１確率
を含む。このため、これを問題にする必要はない。事前
確率がクロムウェルである（すなわち、非−ゼロおよび
非−１）限り、矛盾はさけることができる。

【００７６】ノイズ状のものと論理状のものとの区別を
明確にするため、ノイズ状のものと論理状のものの両方
に対するＣＰＴ例を、ネットワークＰ（Ａ│ＢＣ）を例
にして以下の表３と４に示す。いずれの場合も、事前確
率は、例えば、Ｐ（Ｂ＝Ｔ）＝０．８５およびＰ（Ｃ＝
Ｔ）＝０．９５である。(注) Ｐ（Ｂ＝Ｆ）＝１−Ｐ
（Ｂ＝Ｔ）＝０．１５であり、Ｐ（Ｃ＝Ｆ）＝１−Ｐ
（Ｃ＝Ｔ）＝０．０５である。まず、ノイズ状ＣＰＴの
場合の値は、上記式を使って計算されて以下の値が得ら
れる：

【表３】表３に示すように、初期条件付き確率は、事前確率から
求められる。しかし、論理状のものの下での同じ構成
は、次のようになる。

【００７７】

【表４】このように、論理状のものとノイズ状のものとは同一で
ない。しかし、これら２つのＣＰＴが示唆しているよう
に、これらは、相互に近似するものである。一般に、論
理入力の度合いが低い場合は、ノイズ状のものの方が好
ましく、論理入力の度合いが高い場合は、論理状のもの
の方が好ましい。論理入力の度合いが低い場合は、上記
式の計算および確認が容易に行なえる。一方、論理入力
の度合いが高い場合は、上記式は、計算はできるが、組
合わせの数が多く、しかも、たとえ計算を自動化して
も、入力のそれぞれの組合わせを確認することは依然と
して難しい。例えば、親が８個のノードの場合、組合わ
せは、２^Ｎ，すなわち２^８＝２５６通りある(各ノード
は２つの状態を有するため)。また、ノイズ状の確率
は、依然として因果的確率表（ＣＰＴ）に手作業で入力
しなくてはならないので、親の１つの確率、すなわち、
Ｐ（Ａ│Ｂ）、が変わると、ネットワーク全体に影響を
及ぶことになる。従って、論理入力の度合いが高い場合
は、これは実際的でない。

【００７８】さて、ＰＳＥサーバーの分析に上記ベイジ
アン・ビリーフ・ネットワークを用いたＤＩＶＡについ
て説明する。図３は、本発明の一実施形態に係るＤＩＶ
Ａアーキテクチャー３００を示したものである。このＤ
ＩＶＡ３００は、プログラム、データおよび知識ベース
とからなるものである。プログラムは、２つのモジュー
ル、すなわち、規範的オートアシスタント（ＮＡＡ）３
１０とデータ・グラバー(図示せず)、に書かれている。
ここで、“規範的”という用語は、確率の法則のよう
な、基本となる数学的定理への依存を指す。ＮＡＡ３１
０は、ベイジアン・ロジックがプログラムされていると
ころである。これは、例えば、マイクロソフト・ビジュ
アルＣ＋＋等の、適宜のコンピュータ・プログラミング
言語により実行することができる。従って、ＮＡＡ３１
０は、コンピュータ・プログラミング言語用のコンパイ
ラがあれは実行可能である。データ・グラバーは、ＮＡ
Ａ３１０用にＰＳＥサーバーにおける観察可能な変数の
生のデータを得る。本発明の一実施形態では、データ・
グラバーは、パール等のプログラム・スクリプトで書き
込むことができ、ＰＳＥサーバー上で動作する。

【００７９】本発明のさらなる実施形態では、ＮＡＡ３
１０の２つの主要な構成部品は、電子頭脳同等部（ＥＢ
Ｅ）３１２と証拠抽出主構成部（ＭＥＥＣＯ）３１４と
である。これらは、それぞれ、図３に示すように、タイ
トループ内で相互に相互作用する、例えばＣ＋＋オブジ
ェクト等のプログラミング・オブジェクトである。ＥＢ
Ｅ３１２の主要な機能は、目的指向の呼出しを目的向き
でない第三者のＡＰＩソフトウェアのＡＰＩに用いて薄
くエンキャプシュレートすることである。ＥＢＥ３１２
は、さらに３つのネーム空間、すなわち、ノード、変
数、およびオブザーバブルズ、間のマッピングを提供す
る。

【００８０】ノードは、ＡＰＩが不透明タイプとして操
作するオブジェクトである。また、ＡＰＩソフトウェア
も、ドメイン、すなわち、ノードを含んだベイジアン・
ネットワークを表わすオブジェクト、を有している。Ｅ
ＢＥ３１２は、これら詳細を全く表示しない。変数は、
対象のオブジェクト、すなわち、上記表に示した１４の
変数である。オブザーバブルズは、下位集合の変数、す
なわち、可観察の変数の表に示したものである。２つの
理由により、互いのネーム空間どおしは区別をつける必
要がある。

【００８１】１つは、変数は、ベイジアン・ネットワー
クのノードの代わりとして作られたプロキシであるから
である。すなわち、これらノードは、第三者のＡＰＩソ
フトウェアにおけるＣポインタであるのに対し、変数は
整数である。実際、変数は、中空のポインタのベクトル
に対するちょっとした指標でしかない。もう１つは、変
数の順序付けが、任意であること、すなわち、ベイジア
ン・ネットワークのノードは、抽象的に編成され（すな
わち、割付けのアルゴリズムは、ＡＰＩソフトウェアに
は表示されない）、ノードがロードされると、順次整数
指標に割り付けされるからである。従って、変数とノー
ドとのマッピングは必要である。

【００８２】その結果として、オブザーバブルズは、た
とえＮＡＡ３１０により密かに実行されるスペキュレイ
ティブ・パイポセサイザーやインタープリタ（ＡＳＨ）
機能に応じて所与の順序で通常操作されても、ランダム
な順で変数の間に散らばる。ＡＳＨ機能については後で
記述する。従って、変数とオブザーバブルズとはマッピ
ングが必要である。ＥＢＥ３１２は、これを管理するも
のである。これらネーム空間どおしの関係を図４に示
す。

【００８３】前述したように、ＭＥＥＣＯ３１４も、プ
ログラミング・オブジェクトである。その主要な機能
は、可観測変数の生データを証拠に変換することであ
る。ウェイーイン（ＷＥＩＮ）機能を密かにエンキャプ
シュレートする場合には、ＭＥＥＣＯ３１４は、検出証
拠事項をＥＢＥ３１２に送る。ＷＥＩＮ機能について
は、後で述べる。ＥＢＥ３１２も、ベイジアン・ビリー
フ・ネットワーク３２０から“ハード”エビデンスが入
力されたかどうかの各ビリーフを変数で検索する。証拠
が供給されなかった場合は、ＥＢＥ３１２は、初期の事
前変数および条件付き確率を返送する。図３にも示した
ように、ＮＡＡ３１０は、確認マトリックス３５０を介
して高速帰納的診断（ＦＲＥＤ）用インタープリタ３６
０と相互作用する。このＦＲＥＤ用インタープリタ３６
０は、図３に示すように、独立したプログラムとしても
よいし、またはＮＡＡ３１０内に埋め込んだオブジェク
トとしてもよい。ＦＲＥＤ用インタープリタ３６０のア
ルゴリズムについては、次に本発明の一実施形態に従い
提示説明する。

【００８４】ＦＲＥＤ用アルゴリズムは、確認マトリッ
クスの解釈を自動化するものである。また、容易にプロ
グラムすることができ、ユーザー用のより体系的な報告
書の作成に使用することができる。このＦＲＥＤの思想
は、マトリックスの“複雑度”を検査し、その確認を分
析することである。

【００８５】複雑度Ｋは、解釈努力の評価である。自己
確認数は、

【数３】であり、これには最大(ピーク)エクスポージャは含まれ
ない。

【００８６】ＦＲＥＤは、Ｋを使って帰納的に作用す
る。帰納的作用における任意のレベルにおいて、ＦＲＥ
Ｄは、低度のあるいは適度の複雑度のマトリックスの解
釈を望む。複雑度がより大きなものになると、ＦＲＥＤ
は、１つづつ複雑度を落とすとともに再起的に呼出しを
行なって再度解釈を試みる。その場合は、同じプロセス
をひき返す。

【００８７】ＦＲＥＤのアルゴリズムを以下に示す。表
記において、[Ｖ]は、変数のベクトルであり、ｎ
（[Ｖ]）は、ベクトルの長さであり、[Ｖ]は、０指標で
開始する。Ｖ_ｉ→Ｖ_ｊは、変数ｉが変数ｊに関係すると
いう意味、または変数ｊが変数ｉをもたらすという意味
である。

【００８８】

【数４】なお、このＦＲＥＤアルゴリズムは、潜在矛盾は考慮し
ない。例えば、ｄＣｅｆに対しては積極的な自己確認が
あるが、ｄＣｍｔｍやｄＭｌｉｖに対しては自己確認は
ない。技術的には、これはアルゴリズムに書き込まれる
べきデータ・コンフリクトである。

【００８９】本発明の一実施形態では、各可観測変数の
生データは２種類ある。すなわち、バイアス・データ３
３０と事実データ３４０である。バイアス・データは、
過去に起きたことの歴史観的なものでアナリストの考え
を偏寄らせるデータのことである。一方，事実データ
は、説明の対象となるデータのことである。バイアス３
３０および事実データ３４０は、サーバー・アーカイブ
(図示せず)を介してＰＳＥサーバーから抽出した生デー
タのｋ_ｒ×Ｎのテーブルからなるものである。ここで、
Ｎは、可観測変数の数であり、図２のベイジアン・ネッ
トワーク２００の場合は８である。(実際には、生デー
タは、Ｎ＝７の変数を含むが、他の２つの変数から１つ
の変数ｎＣｅｆを抽出することによってＮ＝８とす
る)。変数ｋ_ｒの値、すなわち、変数の列またはベクト
ル数は、バイアスおよび事実データとは独立したもので
ある。

【００９０】ＤＩＶＡの知識ベースは、上記した第三者
のＡＰＩソフトウェアにより実行されるベイジアン・ネ
ットワーク２００(図２)からなる。従って，知識ベース
は、全可観測変数および不可観測変数、条件付き確立の
ネットワーク、および初期の事前および条件付きパラメ
ータとを含んでなる。

【００９１】図３は、図５の特定の実施形態である。換
言すると、図５は、本発明の好適実施形態に係るＤＩＶ
Ａアーキテクチャ用のより一般的スキームである。図５
は、一般的なＤＩＶＡアーキテクチャ５００を示すとと
もに、本発明の別の実施形態に係る主要機能モジュール
とそれらの関係とを示したものである。これらモジュー
ルは、ＤＩＶＡがＡＰＩソフトウェアにより実施される
ベイジアン・ビリーフ・ネットワークを有効に使用する
ために、ＤＩＶＡが内蔵可能な複数の支援構成部を表わ
したのもである。

【００９２】図５に示すように、ビリーフ・ネットワー
クは、ＤＩＶＡのＥＢＥ５２０を用いたＡＰＩソフトウ
ェアのビリーフ・ネットワークＡＰＩにより、ロード
し、アクセスする。ＥＢＥ５２０は、図３において先に
示したＥＢＥ３１２と同じである。このＥＢＥ５２０
も、ウェイーイン（ＷＥＩＮ）５１０から証拠を入力と
して受取り、そのデータをベイジアン・ビリーフ・ネッ
トワーク（図示せず）に与えて知識状態を最新化し、そ
してビリーフに戻す。次いで、自動化されたスペキュレ
イティブ・ハイポセサイザー（ＡＳＨ）５６０に送り、
解釈する。なお、ＤＩＶＡ５００用に使用されているベ
イジアン・ビリーフ・ネットワークは、図３のＤＩＶＡ
３００で使用するネットワークと同じである。次いで、
ＡＳＨ５６０は、そのビリーフの解釈による見通しを証
拠抽出主構成部（ＭＥＥＣＯ）５３０に送る。次に、Ｗ
ＥＩＮ５１０と、ＡＳＨ５６０と、ＭＥＥＣＯ５３０と
の関係について説明する。

【００９３】先述したように、自動化されたスペキュレ
イティブ・ハイポセサイザー、すなわち、ＡＳＨ５６０
は、ＥＢＥ５２０からのビリーフを解釈する。換言する
と、ＡＳＨ５６０は、ＰＳＥサーバーから抽出すべき新
たな証拠を判断する。ＡＳＨ５２０は、関与すると見な
されなかったか除外された最も尤らしい疑いのあるデー
タを探し出すためのコンストレインツ（拘束知識）５５
０の適用に使用されるプログラミング・オブジェクトと
することができる。考慮すべき点は、古典的問題でもあ
るが、デプスーファースト調査対ブレス−ファースト調
査の問題である。換言すると、本発明の一実施形態で
は、ＡＳＨ５６０は、解釈された各ビリーフのトップ見
通しＮを出力するとともに、ＤＩＶＡシステムにそれら
全てを一つの例示化された証拠事例に吸収させてみるこ
とができる。また、ＡＳＨ５６０は、一つの見通しを一
度に出力して、新たな見通しを考慮する前にそれぞれを
順にＤＩＶＡシステムに吸収させることもできる。ＤＩ
ＶＡシステムは、予めプログラムしておくやり方で変数
を排除することにより、特定の経路を進むことが可能で
ある。これは、構造化監視（ストラクチャード・スーパ
ービジョン）と呼ばれる。また、ＤＩＶＡシステムは、
関心のあるものであることがわかれば、結論にジャンプ
することも可能である。これは、非構造化監視（アンス
トラクチャード・スパービジョン）と呼ばれる。

【００９４】先記したように、上記選択対象物等は、拘
束知識５５０により決められる。好適実施形態では、コ
ンストレインツ（拘束知識）としてジェーンズ逐次承認
ルールを用いた。このルールは、先ず、最も見込みのあ
るものを検査し、次に次点のものを処理するというもの
である。従って、ＡＳＨ５６０は、全てのビリーフを昇
順に分類分けし、調査すべき最有望なものをピックアッ
プすることができる。

【００９５】図３のＤＩＶＡアーキテクチャ３００に戻
って説明する。ＥＢＥ３１２とＭＥＥＣＯ３１４との間
のループ内にはＡＳＨやスペキュレイティブ・インター
プレターは図示していないが、当該本発明の実施形態に
係るＮＡＡ３１０には上記ＡＳＨ機能が残っている。具
体的には、尤度の拘束知識（図５における拘束知識５５
０）を無くしてもよく、また、ＮＡＡ３１０を、予めプ
ログラムすることで疑わしきものを探し出すようにして
もよい。図３のＤＩＶＡアーキテクチャ３００では、Ｎ
ＡＡ３００は、十分高速であり、重大なタイムペナルテ
ィなしに全ての変数をチェックすることができる。従っ
て，ＤＩＶＡ３００で最も見込みのありそうなものを追
求することにより、調査の最適化を図るためＡＳＨを用
いることは余分である。

【００９６】次に、図３の証拠抽出主構成部、すなわち
ＭＥＥＣＯ、５３０について説明する。同図から分かる
ように、ＭＥＥＣＯ５３０は、ＡＳＨ５６０により出力
される見込みを受取り、そして、ＰＳＥサーバーアーカ
イブ５４０を調査して可観察の生データと事実データを
調べることによって、その見込みを擬似事実に変換す
る。擬似事実としては、事実に関するデータであって立
証すべき点の残る証拠的なものが挙げられる。

【００９７】ＭＥＥＣＯ５３０は、ＰＳＥサーバーの履
歴のバックアップ内の変化を分析することにより、擬似
事実を抽出する。ＭＥＥＣＯ５３０にバックアップのリ
ストがある場合には、各変数毎の平方和を含む、統計的
なベースライン・データベースを作る。もしバックアッ
プが２つしかない場合には、その２つのラン間の変化の
み作る。本発明の好適実施形態では、ＭＥＥＣＯ５３０
は、あらゆるものを抽出するが、しきい値は使用しな
い。それは、ＷＥＩＮ５１０のジョブである。ＤＩＶＡ
アーキテクチャ３００（図３）のＭＥＥＣＯ３１４は、
ＤＩＶＡアーキテクチャ５００のＭＥＥＣＯ５３０と同
様のものであるが、ＭＥＥＣＯ３１４もＷＥＩＮ５１０
がジョブもする点が異なる。この点は次に説明する。

【００９８】ＷＥＩＮ５１０は、ＤＩＶＡの極めて重要
な構成部分である。というのも、これにより、ＤＩＶＡ
が下記するように干草の中から針を見つけることができ
るからである。ＤＩＶＡは、ＭＥＥＣＯ５３０により構
築され且つ定期的に最新化されるデータベース内に十分
な統計を保存している。供給されたものの診断を行なう
ため、ＤＩＶＡは、ＭＥＥＣＯ５３０を呼出して前のラ
ンおよび現在のランを調べるようにするとともに、１つ
のランの擬似事実を複数抽出する。次に、ＷＥＩＮ５１
０は、統計的リサンプリングを用いてそれらの擬似事実
を比較考察して、所与の擬似事実に対する付帯条件を計
算する。この付帯条件は、帰無仮説の確率、すなわち、
その仮説が大きな変化を表わさないと仮定するとき、所
与の擬似事実が得られる確率である。ベイジアン・ビリ
ーフ・ネットワーク２００（図２）におけるノードで示
されるように、変数ｉに対する所与の擬似事実ｆ_ｉの付
帯条件は、数学的には、次式によって表わされる：Ｐ（ｆ_ｉ│Ａ_ｉ）ここで、Ａ_ｉは、変数ｉに対する作業仮説である。

【００９９】分布、Ｐ（ｆ_ｉ│Ａ）は、リサンプリング
する際、その取り扱いに注意しなくてはいけない。主な
問題は、単に、ｆ_ｉは、分布（ディストリビューショ
ン）内に存在しないかもしれないということである。何
故なら、リサンプリングは、要素（エレメント）の範囲
しか形成しないからである。特に、ｆ_ｉは、リサンプル
した分布における最終要素を超えたり、その分布におけ
る最初の要素に先行する場合がある。確率を１およびゼ
ロにそれぞれ設定することは簡単であるが、しかし、そ
の場合にはクロムウェルの法則を満たさなくなる。従っ
て，ｆ_ｉが最後の要素Ｖ_Ｎより大きい場合には、Ｐ（ｆ_ｉ│Ａ_ｉ）＝１／[Ｎ（１＋（ｆ_ｉ−Ｖ_Ｎ）／Ｖ
_Ｎ）] また、ｆ_ｉが最初の要素Ｖ_０より小さい場合には、Ｐ（ｆ_ｉ│Ａ_ｉ）＝１−１／[Ｎ（１＋（Ｖ_０−ｆ_ｉ）
／Ｖ_０）] ここで、Ｎは、リサンプルした分布の規模である。

【０１００】ＷＯＥ、すなわち、ＷＥＩＮ５１０が各擬
似事実を比較考察することによって得られる証拠は、こ
の場合、ベイズ・ファクター、

【数５】から求められる。すなわち、尤度比のログから求められ
る。なお、ＤＩＶＡには、Ｐ（ｆ_ｉ│〜Ａ）への直接ア
クセス機能を設けていない。何故なら，一般に、信用ア
ナリストは、〜Ａのデータ供給をすべて拒絶するからで
ある。従って、Ｐ（ｆ_ｉ│〜Ａ）は、以下のように概算
するできる。なお、当技術分野においては、信用アナリ
ストは、ｆ_ｉがビジネスルールにより選択されるしきい
値ｖよりも明らかに小さいと思われるとき、ｆ_ｉを拒絶
する傾向にあることが従来から知られている。このよう
な判断も変形（トランスフォーメイション）を演算する
ことにより、シミュレートすることができる。

【０１０１】

【数６】ここで、ｇは、再公式化汎関数（リスケール・ファンク
ショナル）である。この再公式化汎関数は、どんな関数
でもよいが、ここでは例示説明や説明の簡単化のため、
ｇは、次式の関係になるように選択を行なったＫ_Ａｆ＝ｇ_Ａ（ｆ）ここで、Ｋ_Ａは、再公式化因子（ファクター）であり、
Ａによって変化するものである。この場合、擬似事実
は、直線的に比例するが、確率分布のＰ（ｆ_ｉ│Ａ）
は、非−直線的に変形する。Ｋ_Ａは、Ｐ（ｆ_ｉ│Ａ）を
伸張させるように選択される。また、その結果のβ
_ｉは、信用アナリストのビジネスルールに略沿ったもの
である。なお、ビジネスルールは、ｆ_ｉがいつどういう
条件下で拒絶すべきかを記述したものである。一般的に
は、ｆ_ｉは、ビジネスしきい値、すなわち、ｖ、を超え
たとき、拒絶される。

【０１０２】擬似事実は、再公式化する必要がある。何
故なら、この場合も、Ｐ（ｆ_ｉ│〜Ａ）分布は利用でき
ないが、ＷＯＥ計算に必要であるからである。従って，
再公式化の手法を用いてＰ（ｆ_ｉ│〜Ａ）の概算を出す
場合もある。

【０１０３】本発明の一実施形態では、上記ベイズ因子
β_ｉに対する計算を、図３に示したＭＥＥＣＯ３１４に
より実行されるモンテカルロ・シミュレーションか、ま
たは、図５の示したＷＥＩＮ５１０を用いて行なう。

【０１０４】第三者のＡＰＩソフトウェアは、直接β_ｉ
は用いない。その代わり、β_ｉの尤度比を用いて、ベイ
ズ法則のオッズ・フォームを用いる事後確率Ｐ（Ａ_ｉ│
ｆ_ｉ）を計算するようにする，すなわち、

【数７】ここで、Ｏ（Ａ_ｉ）＝Ｐ（Ａ_ｉ）│Ｐ（〜Ａ_ｉ），およびＯ（Ａ
_ｉ│ｆ_ｉ）＝Ｐ（Ａ_ｉ│ｆ_ｉ）／Ｐ（〜Ａ_ｉ│ｆ_ｉ）そして、信用アナリストに、デシベルで測定された確認
（コンファメーション）を提示する、すなわち、

【数８】これは、単なる事後確率の事前確率に対する比であり、
ここで、Ａ_ｉは、変数ｉに対する作業仮説であり、ｆ_ｊ
は、変数ｊに対する擬似事実である。

【０１０５】先記したように、上記確認方程式は、ベイ
ズ因子から抽出される。換言すると、検出結果をビリー
フ・ネットワークに入力すると、ＡＰＩソフトウェア
は、その証拠を全てのノードに伝搬する。先記したよう
に、ＡＰＩソフトウェアは、これを可能にする専用の数
学的方法およびシステム技術を使用している。何故な
ら、Ｏ（２^Ｎ）倍の複雑度がそれ以外だと非合理である
からである。ＤＩＶＡは、初期事前確率からの事前確率
と条件付き確率とを有しており、ＥＢＥ３１２が生む最
新化のビリーフから事後確率Ｐ（Ａ_ｉ│ｆ_ｉ）を受取
る。従って、ＤＩＶＡは確認を算定することができる。

【０１０６】上記方程式は、Ｃ_ｉ，ｊが、別の変数に関
する証拠に対応する変数の確率におけるログ変化である
ことを表わしている。従って、Ｃ_ｉ，ｊ＞０である場合
には、作業仮説であるＡ_ｉが証拠によって支持される、
換言すると、Ａ_ｉは確認される。

【０１０７】Ｃ_ｉ，ｊ＜０である場合には、Ａ_ｉは証拠
によって否定され、Ａ_ｉは確認されない。

【０１０８】Ｃ_ｉ，ｊ＝０である場合には、Ａ_ｉは証拠
によって支持も否定もされない。

【０１０９】本発明の一実施形態は、第２のケースのＣ
_ｉ，ｊ＞０の場合と、

【数９】の場合だけに関係するものである。何故なら、この数値
がＡ_ｉの“明白な”確認のしきい値であるからである。
略１１デシベル以上である場合、Ａ_ｉの“強い”確認が
認められ、略２２デシベル以上の場合には、Ａ_ｉの“決
定的な”確認が認められる。表５は、かつて１９３０年
代に英国の地球物理学者であるハロルド・ジェフリー卿
により開発された一般に知られた科学標準の証拠を示し
たもので、本発明の実施形態においても用いられている
ものである。

【０１１０】

【表５】図３に戻ると，ＤＩＶＡのＮＡＡ３１０は、確認マトリ
ックス３５０を上記確認方程式から算出する。このマト
リックスは、エクスポージャ・シフトを“説明”するの
に用いる主要解釈レポートである。本発明の一実施形態
では、マトリックス３５０を解釈するため、プログラム
化可能な規則をＤＩＶＡに提供する。さらに、マトリッ
クス３５０は、数表示である。

【０１１１】このマトリックス３５０は、対角線に沿っ
て信頼できる確認（ハード・コンファメイション）を提
供し、対角線を離れるにつれ状況的確認を提供する。換
言すると、Ｃ_ｉｉは、観測された変数ｉについての検索
結果ｉに対する信頼できる確認である。自己確認（セル
フーコンファメイション）とも呼ばれる。一方、状況的
確認であるＣ_ｉｊは、観測可能な変数または観測不能な
変数ｊについての検索結果ｉの“軟弱な”結果を提供す
る。これは、相互確認（クロス・コンファメイション）
とも呼ばれる。ベイジアン・ビリーフ・ネットワーク２
００（図２）には観測可能なものと観測不能なものとが
あるため、マトリックス３５０には、サブーマトリック
スが２つ含まれている。上位サブーマトリックスは、ｋ
×ｋ正方行列からなり、可観測変数を含んでなる。この
上位サブーマトリックスは、そのもの自体の示す証拠
（セルフーエビデンス）が作業仮説をどれだけ確認する
かまたは否定するか、すなわち、ある変数Ａ_ｉが変化し
なかったということ、を示す。先記したように、この対
角線に沿った意味のある明白値

【数１０】は、対応する可観測変数における大きな変化を示唆して
いるものである。

【０１１２】上位サブーマトリックスにおける対角線外
の値については、各変数に対する自己証拠の判断以前の
感度指標の論理的変化を示唆するものである。換言する
と、ｉ≠ｊの場合のＣ_ｉｊは、変数Ａ_ｊの変数Ａ_ｉに対
する証拠の潜在的影響を確認（または否認）するもので
ある。また、その影響力は、潜在的なものである。何故
なら、Ａ_ｉに関する証拠が実際にリビューされるまで
は、直接確認とは逆の間接確認でしかないからである。
また、下位のサブーマトリックスは、観測不可の変数ｍ
に対するｍ×ｋの長方行列からなる。なお、これらの要
素は、全て対角線外であり、従ってこれらの確認は全て
状況的なものである。

【０１１３】確認マトリックスにおいて個々のエンティ
ティズを見ることが最終的なのであるが、ＰＳＥサーバ
ー等のリスク管理システムにおいて諸関係を全体的に眺
望すると役立つ場合がある。このため、種々の変化にお
ける“重要性”という考え方を用いる。表６は、本発明
の一実施例に係る重要度測定を示す。

【０１１４】

【表６】本発明の一実施形態では、ＤＩＶＡ操作の一般的モード
を基本的に想定しているが、特定の操作状況専用のＤＩ
ＶＡに対応可能な特定の知識拘束や“工場設定”があ
る。これらの設定については、下記表７に示す。

【０１１５】これら設定の主な違いは、イニシエイショ
ンとコンファメイション・クレディビリティ・スレッシ
ュホールド（信憑性確認しきい値）とに影響する。“リ
アルタイム”セッティングの場合、ＤＩＶＡは、ホール
ド／リリース・サイクルでデシジョン・チェックにより
自動的に呼び出されるが、“フォローアップ（追跡調
査）セッティング”や“パッシブエクセス・セッティン
グ”の場合、信用アナリストは、ＤＩＶＡを手動で呼び
出す。最後に、“ディープシックス（破棄）・セッティ
ング”では、ＤＩＶＡは、システムのデータ供給を“ス
クラブする（洗い落とす）”よう定期的に実行される。

【０１１６】信頼性のしきい値は、あるレベル以下では
ＤＩＶＡが確認マトリックスの説明を抑制する信頼性レ
ベルである。その目的は、操作状況に一致した方法で説
明を修正したりフィルターにかけることである。例え
ば、リアルタイム・モードの場合は、信用アナリスト
は、提供情報をホールドするかリリースするかを適時に
決定しなければならない。また、説明の質、すなわち、
その信頼性は、状況の臨界と一致している必要がある。
従って，ＤＩＶＡは、リアルタイムの間は最強の説明の
みをレポートする。

【０１１７】

【表７】ＤＩＶＡは、ＰＳＥサーバーの説明へのアプローチは、
記述的というよりも、規範的アプローチを用いる。すな
わち、信用アナリストがどういう行為をするかではな
く、システムがどう行為するかのモデル作りを行なう。
従って、ＤＩＶＡは、ロジカルなアナリスト用のツール
であり、信用アナリストの代わりをするものではなく、
支援するものである。

【０１１８】本発明の実施形態の具体例を数例挙げて詳
細に説明したが、当業者なら、この発明の新規な教示や
効果を実質的に逸脱することなく、これら実施形態の具
体例において改良や変更を様々加えることは可能である
ことは容易に理解されることである。従って、そのよう
な改良等は、以下のクレームに限定した本発明の範囲内
に含まれることとなるものである。さらに、クレーム中
に記載されている如何なるミーンズ・プラス・ファンク
ション表現（特別な記載の場合のみ使用）も、ここで説
明した機能および全ての同等機能を果たす構造のもの、
例えば、構造上の同等物、同等構造、およびその他の同
等物、を含むがこれらに限定されない、を包含するもの
である。

【図面の簡単な説明】

好適実施形態を、例を挙げて説明するが、以下の図面の
ものに限定するものではない。

【図１Ａ】本発明の好適実施形態に係る、原因を入力し
結果を出力するブラック・ボックスとしてのプリ・セト
ルメント・エクスポージャ（ＰＳＥ）サーバーを示す図
である。

【図１Ｂ】本発明の好適実施形態に係る、入力する原因
に関係する結果を出力するブラック・ボックスとしての
前記ＰＳＥサーバーを示す図である。

【図２】本発明の好適実施形態に係る、ベイジアン・ビ
リーフ・ネットワークを示す図である。

【図３】本発明の好適実施形態に係る、ディープ・イン
フォメーション・バーチャル・アシスタント（ＤＩＶ
Ａ）用アーキテクチャーを示す図である。

【図４】本発明の好適実施形態に係る、第三者のソフト
ウェアで実行されるベイジアン・ビリーフ・ネットワー
クにおけるネーム空間関係を示す図である。

【図５】本発明の好適実施形態に係る、ＤＩＶＡ用の一
般のアーキテクチャーを示す図である。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｇ０６Ｆ 19/00 １１０Ｇ０６Ｆ 19/00 １１０ (71)出願人 500066067 399 ＰａｒｋＡｖｅｎｕｅ，ＮｅｗＹｏｒｋ，ＮｅｗＹｏｒｋ 10043, Ｕ．Ｓ．Ａ. (72)発明者リチャードレンゼッティアメリカ合衆国ニューヨーク州 10016, ニューヨークアパートメントピーエイチエイチイースト 27 ストリート 207

Claims

【特許請求の範囲】

【請求項１】リスク評価システムにおけるエラーのプ
ローザブル・ソース（一見尤らしい情報源）を突き止め
る方法であって、以下のステップからなる方法：前記リ
スク評価システムの変数を少なくとも１つ決定する；該
少なくとも１つの変数に関する第１仮説を求める；該少
なくとも１つの変数に関する第１仮説の初期確率を出
す；前記リスク評価システムの前記少なくとも１つの変
数における値の変化を突き止める；そのリスク評価シス
テムの前記少なくとも１つの変数における値の変化に基
づいて証拠発見を決定する；そして該証拠発見に基づい
て前記第１仮説の初期確率を評価する。
【請求項２】前記リスク評価システムの前記少なくと
も１つの変数が、前記リスク評価システムの入力データ
からなることを特徴とする、請求項１の方法。
【請求項３】前記リスク評価システムの前記少なくと
も１つの変数が、前記リスク評価システムの出力データ
からなることを特徴とする、請求項１の方法。
【請求項４】前記リスク評価システムの前記少なくと
も１つの変数が、リスク管理システムの外部データであ
るが、前記リスク評価システムに関係するデータからな
ることを特徴とする、請求項１の方法。
【請求項５】前記リスク評価システムが、プレ・セト
ルメント・エクスポージャ・サーバーからなることを特
徴とする、請求項１の方法。
【請求項６】前記リスク評価システムの前記少なくと
も１つの変数が、観察可能な情報であることを特徴とす
る、請求項１の方法。
【請求項７】前記リスク評価システムの前記少なくと
も１つの変数が、複数の変数からなり、複数の変数の第
１変数が、複数の変数の第２変数に関連することを特徴
とする、請求項１の方法。
【請求項８】前記少なくとも１つの変数についての第
１仮説を決定するステップが、前記少なくとも１つの変
数の値が変化しなかったという仮説を立てるステップか
らなることを特徴とする、請求項１の方法。
【請求項９】前記第１仮説の初期確率を出すステップ
が、前記少なくとも１つの変数の事前確率を出す；そして前
記少なくとも１つの変数の初期条件付き確率を出す、と
いう各ステップからなることを特徴とする、請求項１の
方法。
【請求項１０】金融リスク評価（ＦＲＡ）システムに
おけるエラーのプローザブル・ソースを突き止める方法
であって、以下のステップからなる方法：前記ＦＲＡシ
ステムの変数を複数割出す；該複数の変数間の関わり合
いを表すため、ベイジアン・ネットワークを実行する；
前記ＦＲＡシステムの前記複数の変数のそれぞれについ
て初期確率を出す；前記ＦＲＡシステムの前記複数の変
数の１つから観測データを抽出する；前記ＦＲＡシステ
ムの前記複数の変数の１つから抽出された事実データに
基づいて証拠発見を求める；そして該証拠発見に基づい
て前記ＦＲＡシステムの前記複数の変数の１つに対する
前記初期確率を査定する。
【請求項１１】前記ベイジアン・ネットワークが前記
複数の変数に対応する複数のノードからなることを特徴
とする、請求項１０の方法。
【請求項１２】前記複数のネットワーク・ノードの１
つ１つを前記複数の変数の１つに割当てるステップと、前記複数のネットワーク・ノードの少なくとも１つに初
期確率を割当てるステップとをさらに含んでなることを
特徴とする、請求項１１の方法。
【請求項１３】前記複数の変数が、前記ＦＲＡシステ
ムの入力データからなることを特徴とする、請求項１０
の方法。
【請求項１４】前記複数の変数の１つが、前記ＦＲＡ
システムの入力データから影響を受けた情報からなるこ
とを特徴とする、請求項１０の方法。
【請求項１５】前記ベイジアン・ネットワークが、ア
プリケーション・プログラム・インターフェースおよび
グラフィカル・ユーザー・インターフェースを有するソ
フトウェアによって実行されることを特徴とする、請求
項１０の方法。
【請求項１６】前記ＦＲＡシステムの前記複数の変数
のそれぞれについて初期確率を出すステップが、以下の
ステップからなることを特徴とする、請求項１０の方
法：前記複数の変数の各々を仮説を立てた状態に設定す
る；そして前記設定仮説状態における複数の変数の各々
に対して初期確率を出す。
【請求項１７】前記観察されたデータが、前記ＦＲＡ
システムの前記複数の変数の１つについて、バイアス・
データと事実データとからなることを特徴とする、請求
項１０の方法。
【請求項１８】前記ＦＲＡシステムの前記複数の変数
の１つから観測データを抽出するステップが、以下のス
テップからなることを特徴とする、請求項１０の方法：
前記ＦＲＡシステムの前記複数の変数の１つからデータ
を観測する；その観測データをサーバー・アーカイブに
保存する；そして前記サーバー・アーカイブから保存デ
ータを抽出する。