Skip to content
Retour aux résultats

Cartes cognitives floues (FCM)

Introduite par
Bart Kosko
Année
1986
Type
Fuzzy causal/feedback network for scenario analysis
Famille
Cognitive mapping

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Une carte cognitive floue, introduite par Bart Kosko en 1986, représente un système comme un réseau de concepts reliés par des liens causaux signés et pondérés, et simule comment les concepts s'influencent mutuellement au fil du temps.

En combinant la structure intuitive d'une carte cognitive avec des poids flous et une activation itérative, les FCM permettent aux experts d'encoder des connaissances causales et ensuite d'exécuter des scénarios de type « what-if » — ce qui les rend populaires pour l'analyse des politiques, la prise de décision stratégique et la modélisation de systèmes socio-techniques complexes.

L’intuition derrière la méthode

Les experts comprennent souvent un système comme « plus de ceci cause plus de cela, mais moins de l'autre » — un réseau de flèches causales de force et de signe variables. Une FCM transforme ce modèle mental en un graphe orienté : les nœuds sont des concepts (par exemple, investissement, demande, pollution), les flèches portent des poids entre −1 et +1 indiquant la force et la direction de l'influence d'un concept sur un autre. Pour explorer les conséquences, vous définissez les valeurs initiales des concepts et laissez l'activation se propager dans le réseau, chaque concept se mettant à jour à partir des influences pondérées des autres et étant écrêté dans une plage bornée, jusqu'à ce que le système se stabilise. L'état stable résultant montre où les boucles de rétroaction du système le conduisent dans un scénario donné.

Histoire

Bart Kosko a introduit les cartes cognitives floues en 1986, étendant les cartes cognitives (binaires) antérieures d'Axelrod avec des poids flous et une activation dynamique, unissant la logique floue à la propagation de type réseau neuronal. La méthode a mûri dans les années 1990-2010 avec des algorithmes d'apprentissage (apprentissage de poids Hebbien et évolutionniste), des extensions (FCM dynamiques, grises et intuitionnistes), et une large littérature d'applications examinée par Papageorgiou et Salmeron (2013). Les FCM se situent à l'intersection du soft computing, de la modélisation de systèmes et de l'aide à la décision, complétant la dynamique des systèmes et les réseaux bayésiens.

Quand l’utiliser

Utiliser les cartes cognitives floues pour modéliser et simuler des systèmes dominés par la rétroaction causale entre des concepts qualitatifs ou semi-quantitatifs, surtout lorsque les connaissances expertes sont la principale source de données et que l'objectif est l'exploration de scénarios et de politiques plutôt que la prédiction numérique précise — courant en gestion environnementale, aide à la décision médicale, contrôle d'ingénierie et planification stratégique. Elles sont précieuses pour la modélisation participative (les parties prenantes peuvent construire et inspecter la carte) et pour la combinaison des cartes de plusieurs experts. Limites : la dynamique dépend de la fonction d'écrêtage choisie et des poids, les FCM capturent l'influence causale relative plutôt que des magnitudes calibrées, le comportement de convergence peut être sensible, et elles supposent que la structure causale est correcte. Lorsque des dynamiques quantitatives précises ou une inférence probabiliste rigoureuse sont requises, la dynamique des systèmes ou les réseaux bayésiens peuvent être plus appropriés.

Limites et points d’attention

  • Capture l'influence causale relative, pas des magnitudes quantitatives calibrées.
  • Les résultats dépendent de la fonction d'écrêtage, des poids et du schéma de mise à jour.
  • La convergence peut être sensible et peut produire des cycles limites ou du chaos.
  • Suppose que la structure causale évoquée est correcte ; les liens manquants biaisent les résultats.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Encode les connaissances causales expertes dans un graphe intuitif et inspectable.
  • Simule la dynamique de rétroaction et soutient l'analyse rapide de scénarios « what-if ».
  • Gère les concepts qualitatifs/semi-quantitatifs sans données précises.
  • Soutient la modélisation participative et la fusion de cartes de plusieurs experts.

Applications

  • Analyse de scénarios en gestion environnementale et écologique.
  • Aide à la décision médicale et diagnostic à partir de modèles conceptuels causaux.
  • Planification stratégique et analyse de politiques « what-if » avec les parties prenantes.
  • Contrôle de processus d'ingénierie et analyse de défaillances.
  • Modélisation de systèmes socio-économiques où les boucles de rétroaction dominent.

Comment ça marche

Comment ça marche

1

Définir les concepts C₁…Cₙ qui sont pertinents dans le système et la matrice de poids causaux W, où wᵢⱼ ∈ [−1, 1] encode la force et le signe de l'influence du concept i sur le concept j. Les poids proviennent du jugement d'experts, de données ou d'algorithmes d'apprentissage ; positif signifie promotion, négatif signifie inhibition.

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

Chaque concept a une valeur d'activation. À chaque étape, la nouvelle valeur d'un concept est sa valeur précédente plus la somme pondérée des activations de tous les concepts qui y pointent. C'est la propagation de l'influence causale à travers la structure de rétroaction du réseau.

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

L'influence sommée est passée à travers une fonction d'écrêtage (seuil) — couramment une sigmoïde avec une raideur λ, ou une fonction signe/tangente hyperbolique — pour maintenir les activations dans une plage bornée (par exemple, [0,1] ou [−1,1]) et pour introduire de la non-linéarité, de sorte que les concepts ne puissent pas croître sans limite.

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

La mise à jour est itérée jusqu'à ce que les activations cessent de changer (un attracteur à point fixe), se stabilisent dans un cycle limite répétitif, ou soient déclarées chaotiques. Le motif convergent est le résultat du scénario ; comparer les états convergents à travers différents réglages initiaux ou modifications de poids est la manière dont les FCM répondent aux questions de type « what-if » et aux questions de politique.

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

Pièges courants

  • Interpréter les valeurs des concepts convergents comme des prédictions précises plutôt que des tendances relatives.
  • Ignorer comment le choix de la fonction de seuil et de λ modifie l'état stable.
  • Construire des cartes avec des poids d'experts non validés et les traiter comme la vérité terrain.
  • Oublier la non-convergence (cycles limites) et rapporter un état transitoire comme résultat.

Questions fréquentes

Quelle est la différence entre une FCM et un réseau bayésien ?

Les deux sont des graphes orientés sur des concepts, mais un réseau bayésien encode des distributions de probabilité conditionnelles et est acyclique, supportant l'inférence probabiliste. Une FCM utilise des poids flous signés, autorise les cycles (rétroaction), et est simulée dynamiquement jusqu'à un état stable. Les FCM sont meilleures pour les scénarios « what-if » riches en rétroaction ; les réseaux bayésiens pour le raisonnement probabiliste rigoureux.

D'où viennent les poids ?

Typiquement du jugement d'experts (souvent évoqué sous forme de termes linguistiques mappés sur des nombres), de données historiques, ou d'algorithmes d'apprentissage tels que l'ajustement de poids Hebbien ou évolutionniste. Comme les résultats dépendent des poids, leur source et leur validation doivent toujours être rapportées.

Que signifie si la FCM ne converge pas ?

Au lieu de se stabiliser à un point fixe, le système peut entrer dans un cycle limite (motif répétitif) ou un comportement chaotique, en fonction des poids et de la fonction d'écrêtage. La non-convergence est en soi informative sur la structure de rétroaction du système, mais un état transitoire ne doit pas être rapporté comme résultat du scénario.

Méthodes associées

Sources

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

    Ouvrir la référence DOI
    Copié.
  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.

    Ouvrir la référence DOI
    Copié.