Skip to content
กลับไปยังผลการค้นหา

แผนที่ความคิดพร่ามัว (Fuzzy Cognitive Maps - FCM)

ผู้เสนอ
Bart Kosko
ปี
1986
ประเภท
Fuzzy causal/feedback network for scenario analysis
กลุ่มวิธี
Cognitive mapping

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

แผนที่ความคิดพร่ามัว (FCM) ซึ่งริเริ่มโดย Bart Kosko ในปี 1986 เป็นการแสดงระบบในรูปแบบเครือข่ายของแนวคิดที่เชื่อมโยงกันด้วยความสัมพันธ์เชิงสาเหตุที่มีเครื่องหมายและน้ำหนัก และจำลองว่าแนวคิดเหล่านั้นมีอิทธิพลต่อกันและกันอย่างไรเมื่อเวลาผ่านไป ด้วยการผสมผสานโครงสร้างที่เข้าใจง่ายของแผนที่ความคิดเข้ากับน้ำหนักพร่ามัวและการกระตุ้นแบบวนซ้ำ FCM ช่วยให้ผู้เชี่ยวชาญสามารถเข้ารหัสความรู้เชิงสาเหตุและทำการวิเคราะห์สถานการณ์สมมติแบบ 'ถ้าเป็นเช่นนั้นจะเป็นอย่างไร' (what-if scenarios) ทำให้เป็นที่นิยมสำหรับการวิเคราะห์นโยบาย การตัดสินใจเชิงกลยุทธ์ และการสร้างแบบจำลองระบบสังคม-เทคนิคที่ซับซ้อน

แนวคิดเบื้องหลังวิธีการ

ผู้เชี่ยวชาญมักเข้าใจระบบในลักษณะ 'สิ่งนี้มากขึ้นทำให้สิ่งนั้นมากขึ้น แต่สิ่งอื่นน้อยลง' ซึ่งเป็นโครงข่ายของลูกศรเชิงสาเหตุที่มีความแข็งแกร่งและเครื่องหมายแตกต่างกัน FCM เปลี่ยนแบบจำลองทางจิตใจนั้นให้เป็นกราฟมีทิศทาง: โหนดคือแนวคิด (เช่น การลงทุน อุปสงค์ มลพิษ) ลูกศรจะบรรทุกน้ำหนักระหว่าง -1 ถึง +1 สำหรับความแข็งแกร่งและทิศทางที่แนวคิดหนึ่งส่งผลต่ออีกแนวคิดหนึ่ง ในการสำรวจผลลัพธ์ คุณจะกำหนดค่าเริ่มต้นของแนวคิดและปล่อยให้การกระตุ้นแพร่กระจายไปทั่วเครือข่าย โดยแต่ละแนวคิดจะอัปเดตจากอิทธิพลที่มีน้ำหนักของแนวคิดอื่น ๆ และถูกบีบอัดให้อยู่ในช่วงจำกัด จนกว่าระบบจะเสถียร สถานะคงที่ที่ได้จะแสดงให้เห็นว่าวงป้อนกลับของระบบขับเคลื่อนไปที่ใดภายใต้สถานการณ์ที่กำหนด

ประวัติศาสตร์

Bart Kosko ได้นำเสนอแผนที่ความคิดพร่ามัวในปี 1986 โดยขยายแผนที่ความคิดแบบไบนารี (binary) ก่อนหน้านี้ของ Axelrod ด้วยน้ำหนักพร่ามัวและการกระตุ้นแบบไดนามิก โดยรวมตรรกะพร่ามัวเข้ากับการแพร่กระจายแบบเครือข่ายประสาทเทียม วิธีการนี้ได้พัฒนาขึ้นในช่วงทศวรรษ 1990–2010 ด้วยอัลกอริทึมการเรียนรู้ (การเรียนรู้น้ำหนักแบบ Hebbian และแบบวิวัฒนาการ) ส่วนขยาย (FCM แบบไดนามิก แบบสีเทา และแบบ Intuitionistic) และวรรณกรรมแอปพลิเคชันที่กว้างขวางซึ่งสำรวจโดย Papageorgiou และ Salmeron (2013) FCM ตั้งอยู่บนจุดตัดของ soft computing การสร้างแบบจำลองระบบ และการสนับสนุนการตัดสินใจ ซึ่งช่วยเสริมระบบพลวัตและเครือข่ายเบย์เซียน

ควรใช้เมื่อใด

ใช้แผนที่ความคิดพร่ามัวเพื่อสร้างแบบจำลองและจำลองระบบที่ถูกครอบงำด้วยการป้อนกลับเชิงสาเหตุระหว่างแนวคิดเชิงคุณภาพหรือกึ่งปริมาณ โดยเฉพาะอย่างยิ่งเมื่อความรู้ของผู้เชี่ยวชาญเป็นแหล่งข้อมูลหลักและเป้าหมายคือการสำรวจสถานการณ์และนโยบาย แทนที่จะเป็นการคาดการณ์เชิงปริมาณที่แม่นยำ ซึ่งมักพบในการจัดการสิ่งแวดล้อม การสนับสนุนการตัดสินใจทางการแพทย์ การควบคุมทางวิศวกรรม และการวางแผนเชิงกลยุทธ์ มีคุณค่าสำหรับการสร้างแบบจำลองแบบมีส่วนร่วม (ผู้มีส่วนได้ส่วนเสียสามารถสร้างและตรวจสอบแผนที่ได้) และสำหรับการรวมแผนที่ของผู้เชี่ยวชาญหลายคน ข้อจำกัด: พลวัตขึ้นอยู่กับฟังก์ชันการบีบอัดและน้ำหนักที่เลือก FCM จับอิทธิพลเชิงสาเหตุสัมพัทธ์ แทนที่จะเป็นขนาดที่ปรับเทียบได้ พฤติกรรมการลู่เข้าอาจมีความอ่อนไหว และสมมติฐานคือโครงสร้างเชิงสาเหตุถูกต้อง เมื่อต้องการพลวัตเชิงปริมาณที่แม่นยำหรือการอนุมานเชิงความน่าจะเป็นที่เข้มงวด ระบบพลวัต (system dynamics) หรือเครือข่ายเบย์เซียน (Bayesian networks) อาจเหมาะสมกว่า

ข้อจำกัดและข้อควรพิจารณา

  • จับอิทธิพลเชิงสาเหตุสัมพัทธ์ ไม่ใช่ขนาดเชิงปริมาณที่ปรับเทียบได้
  • ผลลัพธ์ขึ้นอยู่กับฟังก์ชันการบีบอัด น้ำหนัก และรูปแบบการอัปเดต
  • การลู่เข้าอาจมีความอ่อนไหวและอาจให้ผลลัพธ์เป็นวงจรจำกัดหรือความโกลาหล
  • สมมติฐานคือโครงสร้างเชิงสาเหตุที่ได้มานั้นถูกต้อง การขาดหายไปของเส้นเชื่อมจะทำให้ผลลัพธ์เอนเอียง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • เข้ารหัสความรู้เชิงสาเหตุของผู้เชี่ยวชาญในกราฟที่เข้าใจง่ายและตรวจสอบได้
  • จำลองพลวัตการป้อนกลับและสนับสนุนการวิเคราะห์สถานการณ์สมมติแบบ 'ถ้าเป็นเช่นนั้นจะเป็นอย่างไร' อย่างรวดเร็ว
  • จัดการกับแนวคิดเชิงคุณภาพ/กึ่งปริมาณโดยไม่มีข้อมูลที่แม่นยำ
  • สนับสนุนการสร้างแบบจำลองแบบมีส่วนร่วมและการรวมแผนที่ของผู้เชี่ยวชาญหลายคน

การประยุกต์ใช้

  • การวิเคราะห์สถานการณ์ในการจัดการสิ่งแวดล้อมและนิเวศวิทยา
  • การสนับสนุนการตัดสินใจทางการแพทย์และการวินิจฉัยจากแบบจำลองแนวคิดเชิงสาเหตุ
  • การวางแผนเชิงกลยุทธ์และการวิเคราะห์สถานการณ์สมมติเชิงนโยบายกับผู้มีส่วนได้ส่วนเสีย
  • การควบคุมกระบวนการทางวิศวกรรมและการวิเคราะห์ความผิดพลาด
  • การสร้างแบบจำลองระบบเศรษฐกิจสังคมที่วงป้อนกลับมีบทบาทสำคัญ

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดแนวคิด C₁…Cₙ ที่มีความสำคัญในระบบ และเมทริกซ์น้ำหนักเชิงสาเหตุ W โดยที่ wᵢⱼ ∈ [−1, 1] เข้ารหัสความแข็งแกร่งและเครื่องหมายของอิทธิพลของแนวคิด i ที่มีต่อแนวคิด j น้ำหนักมาจากดุลยพินิจของผู้เชี่ยวชาญ จากข้อมูล หรือจากอัลกอริทึมการเรียนรู้ เครื่องหมายบวกหมายถึงการส่งเสริม เครื่องหมายลบหมายถึงการยับยั้ง

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

แต่ละแนวคิดมีค่าการกระตุ้น ในแต่ละขั้นตอน ค่าใหม่ของแนวคิดคือค่าก่อนหน้า บวกกับผลรวมถ่วงน้ำหนักของการกระตุ้นของแนวคิดทั้งหมดที่ชี้เข้ามา นี่คือการแพร่กระจายของอิทธิพลเชิงสาเหตุผ่านโครงสร้างป้อนกลับของเครือข่าย

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

ผลรวมของอิทธิพลจะถูกส่งผ่านฟังก์ชันการบีบอัด (threshold function) ซึ่งโดยทั่วไปคือฟังก์ชันซิกมอยด์ที่มีความชัน λ หรือฟังก์ชันเครื่องหมาย/แทนเจนต์ไฮเพอร์โบลิก เพื่อรักษาระดับการกระตุ้นให้อยู่ในช่วงจำกัด (เช่น [0,1] หรือ [−1,1]) และเพื่อนำเสนอความไม่เป็นเชิงเส้น เพื่อให้แนวคิดไม่สามารถเติบโตได้อย่างไม่จำกัด

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

การอัปเดตจะถูกทำซ้ำจนกว่าค่าการกระตุ้นจะหยุดเปลี่ยนแปลง (จุดดึงดูดแบบคงที่) เข้าสู่รูปแบบวงจรจำกัดที่ซ้ำกัน หรือถูกระบุว่ามีความโกลาหล รูปแบบที่ลู่เข้าคือผลลัพธ์ของสถานการณ์ การเปรียบเทียบสถานะที่ลู่เข้าข้ามการตั้งค่าเริ่มต้นหรือการแก้ไขน้ำหนักที่แตกต่างกันคือวิธีที่ FCM ตอบคำถามแบบ 'ถ้าเป็นเช่นนั้นจะเป็นอย่างไร' และคำถามเชิงนโยบาย

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

ข้อผิดพลาดที่พบบ่อย

  • การตีความค่าแนวคิดที่ลู่เข้าเป็นการคาดการณ์ที่แม่นยำ แทนที่จะเป็นแนวโน้มสัมพัทธ์
  • การละเลยว่าการเลือกฟังก์ชันเกณฑ์และ λ เปลี่ยนแปลงสถานะคงที่ได้อย่างไร
  • การสร้างแผนที่ด้วยน้ำหนักของผู้เชี่ยวชาญที่ไม่ได้รับการตรวจสอบและปฏิบัติต่อเสมือนว่าเป็นความจริง
  • การมองข้ามการไม่ลู่เข้า (วงจรจำกัด) และการรายงานสถานะชั่วคราวว่าเป็นผลลัพธ์

คำถามที่พบบ่อย

FCM แตกต่างจากเครือข่ายเบย์เซียนอย่างไร

ทั้งสองเป็นกราฟมีทิศทางบนแนวคิด แต่เครือข่ายเบย์เซียนเข้ารหัสการแจกแจงความน่าจะเป็นแบบมีเงื่อนไขและไม่มีวงจร ซึ่งสนับสนุนการอนุมานเชิงความน่าจะเป็น FCM ใช้น้ำหนักพร่ามัวที่มีเครื่องหมาย อนุญาตให้มีวงจร (ป้อนกลับ) และจำลองแบบไดนามิกจนถึงสถานะคงที่ FCM เหมาะกว่าสำหรับสถานการณ์สมมติที่ซับซ้อนด้วยการป้อนกลับที่เข้มข้น สำหรับการให้เหตุผลเชิงความน่าจะเป็นที่เข้มงวด

น้ำหนักมาจากไหน

โดยทั่วไปมาจากดุลยพินิจของผู้เชี่ยวชาญ (มักจะได้รับจากการใช้คำศัพท์ภาษาพูดที่จับคู่กับตัวเลข) จากข้อมูลในอดีต หรือจากอัลกอริทึมการเรียนรู้ เช่น การปรับน้ำหนักแบบ Hebbian หรือแบบวิวัฒนาการ เนื่องจากผลลัพธ์ขึ้นอยู่กับน้ำหนัก แหล่งที่มาและการตรวจสอบควรได้รับการรายงานเสมอ

การที่ FCM ไม่ลู่เข้าหมายความว่าอย่างไร

แทนที่จะเสถียรที่จุดคงที่ ระบบอาจเข้าสู่วงจรจำกัด (รูปแบบที่ซ้ำกัน) หรือพฤติกรรมที่โกลาหล ขึ้นอยู่กับน้ำหนักและฟังก์ชันการบีบอัด การไม่ลู่เข้าเป็นข้อมูลเกี่ยวกับโครงสร้างการป้อนกลับของระบบ แต่สถานะชั่วคราวไม่ควรถือเป็นผลลัพธ์ของสถานการณ์

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว