Skip to content
検索結果に戻る

ファジィ認知マップ (Fuzzy Cognitive Maps, FCM)

提唱者
Bart Kosko
年
1986
種類
Fuzzy causal/feedback network for scenario analysis
系統
Cognitive mapping

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

ファジィ認知マップ (FCM) は、1986年にBart Koskoによって導入されたもので、システムを、符号付きで重み付けされた因果リンクで結ばれた概念のネットワークとして表現し、概念が時間とともに互いにどのように影響し合うかをシミュレートする。認知マップの直感的な構造とファジィ重みおよび反復的な活性化を組み合わせることで、専門家は因果関係の知識をエンコードし、その後「もし〜ならばどうなるか」というシナリオを実行できる。これにより、政策分析、戦略的意思決定、および複雑な社会技術システムのモデリングに人気がある。

手法の背後にある直感

専門家はしばしばシステムを「これが多いほどあれが増えるが、それ以外は減る」という、様々な強度と符号を持つ因果矢印のウェブとして理解する。FCMは、そのメンタルモデルを方向性グラフに変換する。ノードは概念(例:投資、需要、汚染)であり、矢印は1つの概念が別の概念をどれだけ強く、どの方向にプッシュするかを示す重みを−1から+1の範囲で持つ。結果を探求するために、初期の概念値を設定し、活性化をネットワーク内で伝播させる。各概念は、他の概念からの重み付けされた影響から更新され、有界範囲に圧縮される。システムが安定するまでこれが繰り返される。結果として得られる定常状態は、特定のシナリオ下でシステムのフィードバックループがどこに駆動するかを示す。

歴史学

Bart Koskoは1986年にファジィ認知マップを導入し、Axelrodの以前の(二値)認知マップをファジィ重みと動的活性化で拡張し、ファジィ論理とニューラルネットワークスタイルの伝播を統合した。この手法は、学習アルゴリズム(ヘブバン学習および進化的重み学習)、拡張(動的、グレー、直観的FCM)、およびPapageorgiouとSalmeron(2013)によって調査された広範な応用文献とともに、1990年代から2010年代にかけて成熟した。FCMは、ソフトコンピューティング、システムモデリング、および意思決定支援の交差点に位置し、システムダイナミクスおよびベイズネットワークを補完する。

使うべき場面

FCMは、質的または半定量的な概念が因果的フィードバックによって支配されるシステムをモデル化およびシミュレートするために使用する。特に、専門家の知識が主なデータソースであり、目標が正確な数値予測ではなく、シナリオおよび政策の探求である場合に有効である。これらは環境管理、医療意思決定支援、工学制御、および戦略計画で一般的である。参加型モデリング(ステークホルダーがマップを構築・検査できる)や、複数の専門家のマップを組み合わせるのに役立つ。限界:ダイナミクスは選択された圧縮関数と重みに依存し、FCMは調整された大きさではなく相対的な因果的影響を捉える。収束挙動は敏感である可能性があり、因果構造が正しいと仮定する。正確な定量的ダイナミクスまたは厳密な確率的推論が必要な場合は、システムダイナミクスまたはベイズネットワークがより適切である可能性がある。

限界と注意点

  • 調整された定量的大きさではなく、相対的な因果的影響を捉える。
  • 結果は圧縮関数、重み、および更新スキームに依存する。
  • 収束は敏感である可能性があり、極限サイクルまたはカオスをもたらす可能性がある。
  • 抽出された因果構造が正しいと仮定する。リンクの欠落は結果を偏らせる。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 専門家の因果的知識を直感的で検査可能なグラフにエンコードする。
  • フィードバックダイナミクスをシミュレートし、迅速な「もし〜ならばどうなるか」シナリオ分析をサポートする。
  • 正確なデータなしで質的/半定量的な概念を扱う。
  • 参加型モデリングと複数の専門家のマップのマージをサポートする。

応用

  • 環境および生態管理のシナリオ分析。
  • 因果概念モデルからの医療意思決定支援および診断。
  • ステークホルダーとの戦略計画および政策の「もし〜ならばどうなるか」分析。
  • 工学プロセス制御および障害分析。
  • フィードバックループが支配的な社会経済システムのモデリング。

使い方

使い方

1

システムにおいて重要な概念 C₁…Cₙ と、概念 i が概念 j に与える影響の強度と符号をエンコードする wᵢⱼ ∈ [−1, 1] の重み行列 W を定義する。重みは専門家の判断、データ、または学習アルゴリズムから得られる。正の値は促進を意味し、負の値は抑制を意味する。

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

各概念には活性化値がある。各ステップで、概念の新しい値は、その概念に入力されるすべての概念の活性化の重み付き合計に、その概念の前の値が加算されたものである。これはネットワークのフィードバック構造を通じた因果的影響の伝播である。

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

合計された影響は、圧縮(閾値)関数(一般的には、傾き λ を持つシグモイド関数、または符号関数/双曲線正接関数)を通して、活性化を有界範囲(例:[0,1] または [−1,1])に保ち、非線形性を導入するために適用される。これにより、概念が際限なく成長することを防ぐ。

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

更新は、活性化が変化しなくなる(不動点アトラクタ)、繰り返しの極限サイクルに落ち着く、またはカオスであると宣言されるまで繰り返される。収束したパターンはシナリオの結果であり、異なる初期設定または重み編集間での収束状態の比較が、FCMが「もし〜ならばどうなるか」および政策に関する質問に答える方法である。

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

よくある落とし穴

  • 収束した概念値を相対的な傾向ではなく、正確な予測として読み取ること。
  • 閾値関数とλの選択が定常状態をどのように変化させるかを無視すること。
  • 検証されていない専門家の重みを持つマップを構築し、それらを真実として扱うこと。
  • 非収束(極限サイクル)を見落とし、過渡状態を結果として報告すること。

よくある質問

FCMはベイズネットワークとどのように異なるか?

どちらも概念上の有向グラフであるが、ベイズネットワークは条件付き確率分布をエンコードし、非巡回であり、確率的推論をサポートする。FCMは符号付きファジィ重みを使用し、サイクル(フィードバック)を許容し、定常状態まで動的にシミュレートされる。FCMはフィードバックの多い「もし〜ならばどうなるか」シナリオに適しており、ベイズネットワークは厳密な確率的推論に適している。

重みはどこから来るのか?

通常は専門家の判断(しばしば数値にマッピングされた言語的用語として抽出される)、過去のデータ、またはヘブバン学習や進化的重み調整などの学習アルゴリズムから得られる。結果は重みに依存するため、そのソースと検証は常に報告されるべきである。

FCMが収束しない場合、それは何を意味するか?

不動点に落ち着く代わりに、システムは重みと圧縮関数に応じて、極限サイクル(繰り返しのパターン)またはカオス的な挙動に入る可能性がある。非収束自体がシステムのフィードバック構造に関する情報を提供するが、過渡状態をシナリオの結果として報告すべきではない。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。
  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.

    DOI 文献を開く
    コピーしました。