Rozmyte mapy kognitywne (FCM)
- Autor metody
- Bart Kosko
- Rok
- 1986
- Typ
- Fuzzy causal/feedback network for scenario analysis
- Rodzina
- Cognitive mapping
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Rozmyta mapa kognitywna, wprowadzona przez Barta Kosko w 1986 roku, reprezentuje system jako sieć pojęć połączonych skierowanymi, ważonymi więzami przyczynowymi i symuluje, jak pojęcia wpływają na siebie nawzajem w czasie.
Łącząc intuicyjną strukturę mapy kognitywnej z rozmytymi wagami i iteracyjną aktywacją, FCM pozwalają ekspertom kodować wiedzę przyczynową, a następnie przeprowadzać analizy typu „co by było, gdyby” – co czyni je popularnymi w analizie polityki, strategicznym podejmowaniu decyzji i modelowaniu złożonych systemów społeczno-technicznych.
Intuicja stojąca za metodą
Eksperci często rozumieją system jako „więcej tego powoduje więcej tamtego, ale mniej tamtego” – sieć strzałek przyczynowych o różnej sile i znaku. FCM przekształca ten model mentalny w graf skierowany: węzły to pojęcia (np. inwestycje, popyt, zanieczyszczenie), strzałki niosą wagi między −1 a +1 określające, jak silnie i w jakim kierunku jedno pojęcie wpływa na drugie. Aby zbadać konsekwencje, ustawia się początkowe wartości pojęć i pozwala propagować aktywację w sieci, gdzie każde pojęcie aktualizuje się na podstawie ważonych wpływów pozostałych i jest ściskane do ograniczonego zakresu, aż system się ustabilizuje. Wynikowy stan ustalony pokazuje, dokąd pętla sprzężenia zwrotnego systemu prowadzi go w danym scenariuszu.
Historia
Bart Kosko wprowadził rozmyte mapy kognitywne w 1986 roku, rozszerzając wcześniejsze (binarne) mapy kognitywne Axela o rozmyte wagi i dynamiczną aktywację, łącząc logikę rozmytą z propagacją w stylu sieci neuronowych. Metoda dojrzewała w latach 90.–2010. dzięki algorytmom uczenia (uczenie wag Hebbowskich i ewolucyjnych), rozszerzeniom (dynamiczne, szare i intuicjonistyczne FCM) oraz szerokiej literaturze zastosowań omówionej przez Papageorgiou i Salmeron (2013). FCM znajdują się na styku miękkiej informatyki, modelowania systemów i wsparcia decyzji, uzupełniając dynamikę systemów i sieci bayesowskie.
Kiedy stosować
Używaj rozmytych map kognitywnych do modelowania i symulacji systemów zdominowanych przez sprzężenie przyczynowe między pojęciami jakościowymi lub półilościowymi, zwłaszcza gdy wiedza ekspercka jest głównym źródłem danych, a celem jest eksploracja scenariuszy i polityki, a nie precyzyjne przewidywania liczbowe – co jest częste w zarządzaniu środowiskiem, wsparciu decyzji medycznych, sterowaniu inżynieryjnym i planowaniu strategicznym. Są one cenne w modelowaniu partycypacyjnym (interesariusze mogą budować i analizować mapę) oraz w łączeniu map kilku ekspertów. Ograniczenia: dynamika zależy od wybranej funkcji ściskającej i wag, FCM wychwytują względny wpływ przyczynowy, a nie skalibrowane wielkości, zachowanie zbieżności może być wrażliwe, a także zakładają, że struktura przyczynowa jest poprawna. Gdy wymagana jest precyzyjna dynamika ilościowa lub rygorystyczne wnioskowanie probabilistyczne, bardziej odpowiednie mogą być dynamika systemów lub sieci bayesowskie.
Ograniczenia i uwagi
- Wychwytuje względny wpływ przyczynowy, a nie skalibrowane wielkości ilościowe.
- Wyniki zależą od funkcji ściskającej, wag i schematu aktualizacji.
- Zbieżność może być wrażliwa i może prowadzić do cykli granicznych lub chaosu.
- Zakłada, że pozyskana struktura przyczynowa jest poprawna; brakujące połączenia zniekształcają wyniki.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Koduje ekspercką wiedzę przyczynową w intuicyjnym, możliwym do analizy grafie.
- Symuluje dynamikę sprzężenia zwrotnego i wspiera szybką analizę scenariuszy typu „co by było, gdyby”.
- Obsługuje pojęcia jakościowe/półilościowe bez precyzyjnych danych.
- Wspiera modelowanie partycypacyjne i łączenie map wielu ekspertów.
Zastosowania
- Analiza scenariuszy w zarządzaniu środowiskiem i ekologią.
- Wsparcie decyzji medycznych i diagnostyka na podstawie modeli przyczynowych pojęć.
- Planowanie strategiczne i analiza polityki typu „co by było, gdyby” z interesariuszami.
- Sterowanie procesami inżynieryjnymi i analiza awarii.
- Modelowanie systemów społeczno-ekonomicznych, w których dominują pętle sprzężenia zwrotnego.
Jak to działa
Jak to działa
Zdefiniuj pojęcia C₁…Cₙ istotne w systemie oraz macierz wag przyczynowych W, gdzie wᵢⱼ ∈ [−1, 1] koduje siłę i znak wpływu pojęcia i na pojęcie j. Wagi pochodzą z oceny eksperta, danych lub algorytmów uczenia; wartość dodatnia oznacza promowanie, ujemna – hamowanie.
Wzór
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})Każde pojęcie ma wartość aktywacji. W każdym kroku nowa wartość pojęcia jest jego poprzednią wartością plus ważona suma aktywacji wszystkich pojęć wskazujących na nie. Jest to propagacja wpływu przyczynowego przez strukturę sprzężenia zwrotnego sieci.
Wzór
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)Suma wpływów jest przepuszczana przez funkcję ściskającą (progującą) – zazwyczaj sigmoidalną o nachyleniu λ lub funkcję znaku/tangensa hiperbolicznego – aby utrzymać aktywacje w ograniczonym zakresie (np. [0,1] lub [−1,1]) i wprowadzić nieliniowość, dzięki czemu pojęcia nie mogą rosnąć w nieskończoność.
Wzór
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})Aktualizacja jest powtarzana, aż aktywacje przestaną się zmieniać (atrakcja o punkcie stałym), ustabilizują się w powtarzającym się cyklu granicznym lub zostaną uznane za chaotyczne. Skonwergowany wzorzec jest wynikiem scenariusza; porównanie stanów ustalonych dla różnych ustawień początkowych lub edycji wag pozwala odpowiedzieć na pytania typu „co by było, gdyby” i dotyczące polityki.
Wzór
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})Częste pułapki
- Interpretowanie skonwergowanych wartości pojęć jako precyzyjnych przewidywań, a nie względnych tendencji.
- Ignorowanie wpływu wyboru funkcji progującej i λ na stan ustalony.
- Budowanie map z niezweryfikowanymi wagami eksperckimi i traktowanie ich jako prawdy objawionej.
- Przeoczenie braku zbieżności (cykli granicznych) i raportowanie stanu przejściowego jako wyniku.
Najczęściej zadawane pytania
Czym FCM różni się od sieci bayesowskiej?
Obie są grafami skierowanymi na pojęciach, ale sieć bayesowska koduje warunkowe rozkłady prawdopodobieństwa i jest acykliczna, wspierając wnioskowanie probabilistyczne. FCM wykorzystuje ważone rozmyte wagi, dopuszcza cykle (sprzężenie zwrotne) i jest symulowana dynamicznie do stanu ustalonego. FCM są lepsze do analizy scenariuszy typu „co by było, gdyby” z silnym sprzężeniem zwrotnym; sieci bayesowskie do rygorystycznego rozumowania probabilistycznego.
Skąd pochodzą wagi?
Zazwyczaj z oceny eksperta (często pozyskiwanej jako terminy lingwistyczne mapowane na liczby), z danych historycznych lub z algorytmów uczenia, takich jak strojenie wag Hebbowskich lub ewolucyjnych. Ponieważ wyniki zależą od wag, ich źródło i walidacja powinny być zawsze raportowane.
Co oznacza, jeśli FCM nie osiąga zbieżności?
Zamiast ustabilizować się w punkcie stałym, system może wejść w cykl graniczny (powtarzający się wzorzec) lub zachowanie chaotyczne, w zależności od wag i funkcji ściskającej. Brak zbieżności sam w sobie jest informatywny o strukturze sprzężenia zwrotnego systemu, ale stan przejściowy nie powinien być raportowany jako wynik scenariusza.
Pokrewne metody
Źródła
Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.
Otwórz odnośnik DOISkopiowano.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.
Otwórz odnośnik DOISkopiowano.