Mappe Cognitive Fuzzy (FCM)
- Introdotto da
- Bart Kosko
- Anno
- 1986
- Tipo
- Fuzzy causal/feedback network for scenario analysis
- Famiglia
- Cognitive mapping
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Una mappa cognitiva fuzzy, introdotta da Bart Kosko nel 1986, rappresenta un sistema come una rete di concetti collegati da legami causali con segno e peso, e simula come i concetti si influenzano reciprocamente nel tempo.
Combinando la struttura intuitiva di una mappa cognitiva con pesi fuzzy e attivazione iterativa, le FCM consentono agli esperti di codificare la conoscenza causale e quindi eseguire scenari di tipo "what-if", rendendole popolari per l'analisi delle politiche, il processo decisionale strategico e la modellazione di sistemi socio-tecnici complessi.
L’intuizione alla base del metodo
Gli esperti spesso comprendono un sistema come "più di questo causa più di quello, ma meno dell'altro" – una rete di frecce causali di varia forza e segno. Una FCM trasforma quel modello mentale in un grafo diretto: i nodi sono concetti (es. investimento, domanda, inquinamento), le frecce portano pesi tra −1 e +1 per indicare quanto fortemente e in quale direzione un concetto ne influenzi un altro. Per esplorare le conseguenze, si impostano i valori iniziali dei concetti e si lascia che l'attivazione si propaghi nella rete, con ogni concetto che si aggiorna in base alle influenze pesate degli altri e viene compresso in un intervallo limitato, finché il sistema non si stabilizza. Lo stato stazionario risultante mostra dove i cicli di feedback del sistema lo spingono in un dato scenario.
Storia
Bart Kosko ha introdotto le mappe cognitive fuzzy nel 1986, estendendo le precedenti mappe cognitive (binarie) di Axelrod con pesi fuzzy e attivazione dinamica, unendo la logica fuzzy alla propagazione in stile rete neurale. Il metodo è maturato tra gli anni '90 e 2010 con algoritmi di apprendimento (apprendimento di pesi Hebbiano ed evolutivo), estensioni (FCM dinamiche, grigie e intuizioniste) e una vasta letteratura applicativa esaminata da Papageorgiou e Salmeron (2013). Le FCM si collocano all'intersezione del soft computing, della modellazione di sistemi e del supporto decisionale, integrando la dinamica dei sistemi e le reti bayesiane.
Quando usarlo
Utilizzare le mappe cognitive fuzzy per modellare e simulare sistemi dominati da feedback causali tra concetti qualitativi o semi-quantitativi, specialmente quando la conoscenza esperta è la principale fonte di dati e l'obiettivo è l'esplorazione di scenari e politiche piuttosto che una previsione numerica precisa – comune nella gestione ambientale, nel supporto decisionale medico, nel controllo ingegneristico e nella pianificazione strategica. Sono preziose per la modellazione partecipativa (gli stakeholder possono costruire e ispezionare la mappa) e per combinare le mappe di più esperti. Limitazioni: le dinamiche dipendono dalla funzione di compressione scelta e dai pesi, le FCM catturano l'influenza causale relativa piuttosto che magnitudini calibrate, il comportamento di convergenza può essere sensibile e assumono che la struttura causale sia corretta. Quando sono richieste dinamiche quantitative precise o inferenze probabilistiche rigorose, la dinamica dei sistemi o le reti bayesiane potrebbero essere più appropriate.
Limiti e considerazioni
- Cattura l'influenza causale relativa, non magnitudini quantitative calibrate.
- Gli esiti dipendono dalla funzione di compressione, dai pesi e dallo schema di aggiornamento.
- La convergenza può essere sensibile e produrre cicli limite o caos.
- Assume che la struttura causale elicitata sia corretta; legami mancanti distorcono i risultati.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Codifica la conoscenza causale esperta in un grafo intuitivo e ispezionabile.
- Simula le dinamiche di feedback e supporta l'analisi rapida di scenari "what-if".
- Gestisce concetti qualitativi/semi-quantitativi senza dati precisi.
- Supporta la modellazione partecipativa e la fusione di mappe di più esperti.
Applicazioni
- Analisi di scenari nella gestione ambientale ed ecologica.
- Supporto decisionale medico e diagnosi da modelli concettuali causali.
- Pianificazione strategica e analisi "what-if" delle politiche con gli stakeholder.
- Controllo di processo ingegneristico e analisi dei guasti.
- Modellazione di sistemi socio-economici in cui dominano i cicli di feedback.
Come funziona
Come funziona
Definire i concetti C₁…Cₙ rilevanti nel sistema e la matrice dei pesi causali W, dove wᵢⱼ ∈ [−1, 1] codifica la forza e il segno dell'influenza del concetto i sul concetto j. I pesi provengono dal giudizio di esperti, dai dati o da algoritmi di apprendimento; il positivo indica promozione, il negativo inibizione.
Formula
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})Ogni concetto ha un valore di attivazione. Ad ogni passo, il nuovo valore di un concetto è il suo valore precedente più la somma pesata delle attivazioni di tutti i concetti che puntano verso di esso. Questa è la propagazione dell'influenza causale attraverso la struttura di feedback della rete.
Formula
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)La somma delle influenze viene passata attraverso una funzione di compressione (soglia) – comunemente una sigmoide con pendenza λ, o una funzione segno/tangente iperbolica – per mantenere le attivazioni in un intervallo limitato (es. [0,1] o [−1,1]) e per introdurre non linearità, in modo che i concetti non possano crescere illimitatamente.
Formula
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})L'aggiornamento viene iterato finché le attivazioni smettono di cambiare (un attrattore a punto fisso), si stabilizzano in un ciclo limite ripetitivo o vengono dichiarate caotiche. Il pattern convergente è l'esito dello scenario; confrontare gli stati convergenti attraverso diverse impostazioni iniziali o modifiche dei pesi è il modo in cui le FCM rispondono a domande di tipo "what-if" e di politica.
Formula
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})Errori comuni
- Leggere i valori convergenti dei concetti come previsioni precise piuttosto che tendenze relative.
- Ignorare come la scelta della funzione di soglia e di λ cambi lo stato stazionario.
- Costruire mappe con pesi di esperti non validati e trattarli come verità assoluta.
- Trascurare la non convergenza (cicli limite) e riportare uno stato transitorio come risultato.
Domande frequenti
In che modo una FCM differisce da una rete bayesiana?
Entrambe sono grafi diretti su concetti, ma una rete bayesiana codifica distribuzioni di probabilità condizionate ed è aciclica, supportando l'inferenza probabilistica. Una FCM utilizza pesi fuzzy con segno, consente cicli (feedback) e viene simulata dinamicamente fino a uno stato stazionario. Le FCM sono migliori per scenari "what-if" ricchi di feedback; le reti bayesiane per un ragionamento probabilistico rigoroso.
Da dove provengono i pesi?
Tipicamente dal giudizio di esperti (spesso elicitato come termini linguistici mappati su numeri), da dati storici o da algoritmi di apprendimento come la sintonizzazione dei pesi Hebbiana o evolutiva. Poiché gli esiti dipendono dai pesi, la loro origine e validazione dovrebbero sempre essere riportate.
Cosa significa se la FCM non converge?
Invece di stabilizzarsi su un punto fisso, il sistema può entrare in un ciclo limite (pattern ripetitivo) o in un comportamento caotico, a seconda dei pesi e della funzione di compressione. La non convergenza è di per sé informativa sulla struttura di feedback del sistema, ma uno stato transitorio non dovrebbe essere riportato come esito dello scenario.
Metodi correlati
Fonti
Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.
Apri il riferimento DOICopiato.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.
Apri il riferimento DOICopiato.