Skip to content
Voltar aos resultados

Mapas Cognitivos Fuzzy (FCM)

Proposto por
Bart Kosko
Ano
1986
Tipo
Fuzzy causal/feedback network for scenario analysis
Família
Cognitive mapping

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Um mapa cognitivo fuzzy, introduzido por Bart Kosko em 1986, representa um sistema como uma rede de conceitos conectados por elos causais assinados e ponderados, e simula como os conceitos se influenciam mutuquement ao longo do tempo.

Ao combinar a estrutura intuitiva de um mapa cognitivo com pesos fuzzy e ativação iterativa, os FCMs permitem que especialistas codifiquem conhecimento causal e, em seguida, executem cenários de simulação ('what-if') — tornando-os populares para análise de políticas, tomada de decisão estratégica e modelagem de sistemas sociotécnicos complexos.

A intuição por trás do método

Especialistas frequentemente entendem um sistema como 'mais disso causa mais daquilo, mas menos do outro' — uma teia de setas causais de força e sinal variados. Um FCM transforma esse modelo mental em um grafo direcionado: nós são conceitos (por exemplo, investimento, demanda, poluição), setas carregam pesos entre −1 e +1 para quão fortemente e em qual direção um conceito impulsiona outro. Para explorar consequências, você define valores conceituais iniciais e permite que a ativação se propague pela rede, com cada conceito atualizando-se a partir das influências ponderadas dos outros e sendo comprimido em uma faixa limitada, até que o sistema se estabilize. O estado estável resultante mostra para onde os loops de feedback do sistema o levam sob um determinado cenário.

História

Bart Kosko introduziu os mapas cognitivos fuzzy em 1986, estendendo os mapas cognitivos (binários) anteriores de Axelrod com pesos fuzzy e ativação dinâmica, unindo a lógica fuzzy à propagação estilo rede neural. O método amadureceu nas décadas de 1990-2010 com algoritmos de aprendizado (aprendizado de pesos Hebbiano e evolutivo), extensões (FCMs dinâmicos, cinzentos e intuitionistas) e uma vasta literatura de aplicações pesquisada por Papageorgiou e Salmeron (2013). Os FCMs situam-se na interseção de soft computing, modelagem de sistemas e suporte à decisão, complementando dinâmica de sistemas e redes Bayesianas.

Quando usar

Use mapas cognitivos fuzzy para modelar e simular sistemas dominados por feedback causal entre conceitos qualitativos ou semiquantitativos, especialmente quando o conhecimento de especialistas é a principal fonte de dados e o objetivo é a exploração de cenários e políticas, em vez de previsão numérica precisa — comum em gestão ambiental, suporte à decisão médica, controle de engenharia e planejamento estratégico. Eles são valiosos para modelagem participativa (stakeholders podem construir e inspecionar o mapa) e para combinar mapas de vários especialistas. Limitações: a dinâmica depende da função de compressão e dos pesos escolhidos, os FCMs capturam influência causal relativa em vez de magnitudes calibradas, o comportamento de convergência pode ser sensível e eles assumem que a estrutura causal está correta. Quando dinâmicas quantitativas precisas ou inferência probabilística rigorosa são necessárias, dinâmica de sistemas ou redes Bayesianas podem ser mais apropriadas.

Limitações e considerações

  • Captura influência causal relativa, não magnitudes quantitativas calibradas.
  • Resultados dependem da função de compressão, pesos e esquema de atualização.
  • A convergência pode ser sensível e pode gerar ciclos limite ou caos.
  • Assume que a estrutura causal elicitada está correta; elos ausentes enviesam os resultados.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Codifica o conhecimento causal de especialistas em um grafo intuitivo e inspecionável.
  • Simula a dinâmica de feedback e suporta análise rápida de cenários 'what-if'.
  • Lida com conceitos qualitativos/semiquantitativos sem dados precisos.
  • Suporta modelagem participativa e fusão de mapas de múltiplos especialistas.

Aplicações

  • Análise de cenários de gestão ambiental e ecológica.
  • Suporte à decisão médica e diagnóstico a partir de modelos conceituais causais.
  • Planejamento estratégico e análise 'what-if' de políticas com stakeholders.
  • Controle de processos de engenharia e análise de falhas.
  • Modelagem de sistemas socioeconômicos onde loops de feedback dominam.

Como funciona

Como funciona

1

Defina os conceitos C₁…Cₙ que importam no sistema e a matriz de pesos causais W, onde wᵢⱼ ∈ [−1, 1] codifica a força e o sinal da influência do conceito i sobre o conceito j. Os pesos vêm de julgamento de especialistas, de dados ou de algoritmos de aprendizado; positivo significa promover, negativo significa inibir.

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

Cada conceito tem um valor de ativação. A cada passo, o novo valor de um conceito é seu valor anterior mais a soma ponderada das ativações de todos os conceitos que apontam para ele. Esta é a propagação da influência causal através da estrutura de feedback da rede.

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

A influência somada é passada através de uma função de compressão (limiar) — comumente uma sigmoide com inclinação λ, ou uma função sinal/tangente hiperbólica — para manter as ativações em uma faixa limitada (por exemplo, [0,1] ou [−1,1]) e introduzir não linearidade, para que os conceitos não possam crescer sem limite.

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

A atualização é iterada até que as ativações parem de mudar (um atrator de ponto fixo), se estabilizem em um ciclo limite repetitivo, ou sejam declaradas caóticas. O padrão convergido é o resultado do cenário; comparar estados convergidos entre diferentes configurações iniciais ou edições de peso é como os FCMs respondem a perguntas de 'what-if' e de políticas.

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

Erros comuns

  • Ler valores conceituais convergidos como previsões precisas em vez de tendências relativas.
  • Ignorar como a escolha da função de limiar e λ altera o estado estável.
  • Construir mapas com pesos de especialistas não validados e tratá-los como verdade absoluta.
  • Ignorar a não convergência (ciclos limite) e relatar um estado transiente como resultado.

Perguntas frequentes

Como um FCM difere de uma rede Bayesiana?

Ambos são grafos direcionados sobre conceitos, mas uma rede Bayesiana codifica distribuições de probabilidade condicionais e é acíclica, suportando inferência probabilística. Um FCM usa pesos fuzzy assinados, permite ciclos (feedback) e é simulado dinamicamente até um estado estável. FCMs são melhores para cenários 'what-if' ricos em feedback; redes Bayesianas para raciocínio probabilístico rigoroso.

De onde vêm os pesos?

Tipicamente de julgamento de especialistas (frequentemente elicitados como termos linguísticos mapeados para números), de dados históricos, ou de algoritmos de aprendizado como ajuste de pesos Hebbiano ou evolutivo. Como os resultados dependem dos pesos, sua origem e validação devem ser sempre relatadas.

O que significa se o FCM não converge?

Em vez de se estabilizar em um ponto fixo, o sistema pode entrar em um ciclo limite (padrão repetitivo) ou comportamento caótico, dependendo dos pesos e da função de compressão. A não convergência é em si informativa sobre a estrutura de feedback do sistema, mas um estado transiente não deve ser relatado como o resultado do cenário.

Métodos relacionados

Fontes

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

    Abrir referência DOI
    Copiado.
  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.

    Abrir referência DOI
    Copiado.