Saltar al contenido
Volver a los resultados

Mapas Cognitivos Difusos (FCM)

Propuesto por
Bart Kosko
Año
1986
Tipo
Fuzzy causal/feedback network for scenario analysis
Familia
Cognitive mapping

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un mapa cognitivo difuso, introducido por Bart Kosko en 1986, representa un sistema como una red de conceptos conectados por enlaces causales firmados y ponderados, y simula cómo los conceptos se influyen mutuamente a lo largo del tiempo.

Al combinar la estructura intuitiva de un mapa cognitivo con pesos difusos y activación iterativa, los FCM permiten a los expertos codificar conocimiento causal y luego ejecutar escenarios de tipo "qué pasaría si", lo que los hace populares para el análisis de políticas, la toma de decisiones estratégicas y la modelización de sistemas sociotécnicos complejos.

La intuición detrás del método

Los expertos a menudo entienden un sistema como 'más de esto causa más de aquello, pero menos de lo otro', una red de flechas causales de fuerza y signo variables. Un FCM convierte ese modelo mental en un grafo dirigido: los nodos son conceptos (p. ej., inversión, demanda, contaminación), las flechas transportan pesos entre −1 y +1 sobre la fuerza y la dirección en que un concepto impulsa a otro. Para explorar las consecuencias, se establecen valores conceptuales iniciales y se deja que la activación se propague por la red, actualizando cada concepto a partir de las influencias ponderadas de los demás y comprimiéndolo en un rango acotado, hasta que el sistema se estabiliza. El estado estable resultante muestra hacia dónde lo llevan los bucles de retroalimentación del sistema bajo un escenario dado.

Historia

Bart Kosko introdujo los mapas cognitivos difusos en 1986, extendiendo los mapas cognitivos (binarios) anteriores de Axelrod con pesos difusos y activación dinámica, uniendo la lógica difusa con la propagación de estilo red neuronal. El método maduró a lo largo de las décadas de 1990-2010 con algoritmos de aprendizaje (aprendizaje de pesos hebbiano y evolutivo), extensiones (FCM dinámicos, grises e intuicionistas) y una amplia literatura de aplicaciones revisada por Papageorgiou y Salmeron (2013). Los FCM se encuentran en la intersección de la computación blanda, la modelización de sistemas y el apoyo a la decisión, complementando la dinámica de sistemas y las redes bayesianas.

Cuándo usarlo

Utilizar mapas cognitivos difusos para modelar y simular sistemas dominados por retroalimentación causal entre conceptos cualitativos o semicuantitativos, especialmente cuando el conocimiento experto es la principal fuente de datos y el objetivo es la exploración de escenarios y políticas en lugar de predicciones numéricas precisas, común en gestión ambiental, apoyo a la decisión médica, control de ingeniería y planificación estratégica. Son valiosos para la modelización participativa (los interesados pueden construir e inspeccionar el mapa) y para combinar mapas de varios expertos. Limitaciones: la dinámica depende de la función de compresión elegida y de los pesos, los FCM capturan la influencia causal relativa en lugar de magnitudes calibradas, el comportamiento de convergencia puede ser sensible y asumen que la estructura causal es correcta. Cuando se requieren dinámicas cuantitativas precisas o inferencia probabilística rigurosa, la dinámica de sistemas o las redes bayesianas pueden ser más apropiadas.

Limitaciones y consideraciones

  • Captura la influencia causal relativa, no magnitudes cuantitativas calibradas.
  • Los resultados dependen de la función de compresión, los pesos y el esquema de actualización.
  • La convergencia puede ser sensible y puede producir ciclos límite o caos.
  • Asume que la estructura causal elicitada es correcta; los enlaces faltantes sesgan los resultados.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Codifica el conocimiento causal experto en un grafo intuitivo e inspeccionable.
  • Simula la dinámica de retroalimentación y apoya el análisis rápido de escenarios de tipo "qué pasaría si".
  • Maneja conceptos cualitativos/semicuantitativos sin datos precisos.
  • Apoya la modelización participativa y la fusión de mapas de múltiples expertos.

Aplicaciones

  • Análisis de escenarios de gestión ambiental y ecológica.
  • Apoyo a la decisión médica y diagnóstico a partir de modelos conceptuales causales.
  • Planificación estratégica y análisis de políticas de tipo "qué pasaría si" con los interesados.
  • Control de procesos de ingeniería y análisis de fallos.
  • Modelización de sistemas socioeconómicos donde predominan los bucles de retroalimentación.

Cómo funciona

Cómo funciona

1

Definir los conceptos C₁…Cₙ que importan en el sistema y la matriz de pesos causales W, donde wᵢⱼ ∈ [−1, 1] codifica la fuerza y el signo de la influencia del concepto i sobre el concepto j. Los pesos provienen del juicio de expertos, de datos o de algoritmos de aprendizaje; el positivo significa promoción, el negativo inhibición.

Fórmula
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})
2

Cada concepto tiene un valor de activación. En cada paso, el nuevo valor de un concepto es su valor anterior más la suma ponderada de las activaciones de todos los conceptos que apuntan hacia él. Esta es la propagación de la influencia causal a través de la estructura de retroalimentación de la red.

Fórmula
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)
3

La influencia sumada se pasa a través de una función de compresión (umbral), comúnmente una sigmoide con pendiente λ, o una función signo/tangente hiperbólica, para mantener las activaciones en un rango acotado (p. ej., [0,1] o [−1,1]) e introducir no linealidad, de modo que los conceptos no puedan crecer sin límite.

Fórmula
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})
4

La actualización se itera hasta que las activaciones dejan de cambiar (un atractor de punto fijo), se estabilizan en un ciclo límite repetitivo o se declaran caóticas. El patrón convergente es el resultado del escenario; comparar los estados convergentes entre diferentes configuraciones iniciales o ediciones de pesos es cómo los FCM responden a preguntas de tipo "qué pasaría si" y de políticas.

Fórmula
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})

Errores comunes

  • Interpretar los valores conceptuales convergentes como predicciones precisas en lugar de tendencias relativas.
  • Ignorar cómo la elección de la función umbral y λ cambia el estado estable.
  • Construir mapas con pesos de expertos no validados y tratarlos como verdad fundamental.
  • Pasar por alto la no convergencia (ciclos límite) y reportar un estado transitorio como el resultado.

Preguntas frecuentes

¿Cómo se diferencia un FCM de una red bayesiana?

Ambos son grafos dirigidos sobre conceptos, pero una red bayesiana codifica distribuciones de probabilidad condicional y es acíclica, apoyando la inferencia probabilística. Un FCM utiliza pesos difusos firmados, permite ciclos (retroalimentación) y se simula dinámicamente hasta un estado estable. Los FCM son mejores para escenarios de tipo "qué pasaría si" ricos en retroalimentación; las redes bayesianas para razonamiento probabilístico riguroso.

¿De dónde provienen los pesos?

Típicamente del juicio de expertos (a menudo elicitado como términos lingüísticos mapeados a números), de datos históricos o de algoritmos de aprendizaje como la sintonización de pesos hebbiana o evolutiva. Dado que los resultados dependen de los pesos, su origen y validación siempre deben informarse.

¿Qué significa si el FCM no converge?

En lugar de estabilizarse en un punto fijo, el sistema puede entrar en un ciclo límite (patrón repetitivo) o comportamiento caótico, dependiendo de los pesos y la función de compresión. La no convergencia es en sí misma informativa sobre la estructura de retroalimentación del sistema, pero un estado transitorio no debe reportarse como el resultado del escenario.

Métodos relacionados

Fuentes

  1. Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.

    Abrir referencia DOI
    Copiado.
  2. Papageorgiou, E. I., & Salmeron, J. L. (2013). A review of fuzzy cognitive maps research during the last decade. IEEE Transactions on Fuzzy Systems, 21(1), 66–79.

    Abrir referencia DOI
    Copiado.