Przejdź do treści
Wróć do wyników wyszukiwania

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

Rozmiar czcionki

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

1

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})
2

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)
3

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})
4

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

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

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.