Bulanık Bilişsel Haritalar (FCM)
- Ortaya koyan
- Bart Kosko
- Yıl
- 1986
- Tür
- Fuzzy causal/feedback network for scenario analysis
- Aile
- Cognitive mapping
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
1986'da Bart Kosko tarafından tanıtılan bir bulanık bilişsel harita, bir sistemi, işaretli, ağırlıklı nedensel bağlantılarla birbirine bağlanmış kavramlar ağı olarak temsil eder ve kavramların zamanla birbirlerini nasıl etkilediğini simüle eder.
Bilişsel bir haritanın sezgisel yapısını bulanık ağırlıklar ve yinelemeli aktivasyonla birleştiren FCM'ler, uzmanların nedensel bilgiyi kodlamasına ve ardından 'eğer şöyle olursa ne olur' senaryoları çalıştırmasına olanak tanır; bu da onları politika analizi, stratejik karar verme ve karmaşık sosyo-teknik sistemlerin modellenmesi için popüler kılar.
Yöntemin mantığı
Uzmanlar genellikle bir sistemi 'bunun daha fazlası şunun daha fazlasına neden olur, ancak diğerinin daha azına' şeklinde anlarlar; bu, değişen güç ve işarete sahip nedensel okların bir ağıdır. Bir FCM bu zihinsel modeli yönlendirilmiş bir grafiğe dönüştürür: düğümler kavramlardır (örneğin, yatırım, talep, kirlilik), oklar bir kavramın diğerini ne kadar güçlü ve hangi yönde ittiğini gösteren −1 ile +1 arasında ağırlıklar taşır. Sonuçları keşfetmek için başlangıç kavram değerlerini ayarlarsınız ve aktivasyonun ağ etrafında yayılmasına izin verirsiniz; her kavram diğerlerinin ağırlıklı etkilerinden güncellenir ve sınırlı bir aralığa sıkıştırılır, sistem yerleşene kadar. Ortaya çıkan kararlı durum, sistemin geri bildirim döngülerinin belirli bir senaryo altında onu nereye sürüklediğini gösterir.
Tarih
Bart Kosko, 1986'da bulanık bilişsel haritaları tanıttı, Axelrod'un önceki (ikili) bilişsel haritalarını bulanık ağırlıklar ve dinamik aktivasyonla genişleterek bulanık mantığı sinir ağı tarzı yayılımla birleştirdi. Yöntem, 1990'lar-2010'larda öğrenme algoritmaları (Hebbian ve evrimsel ağırlık öğrenimi), uzantılar (dinamik, gri ve sezgisel FCM'ler) ve Papageorgiou ve Salmeron (2013) tarafından incelenen geniş bir uygulama literatürü ile olgunlaştı. FCM'ler, yumuşak hesaplama, sistem modelleme ve karar destek kesişiminde yer alır, sistem dinamikleri ve Bayes ağlarını tamamlar.
Ne zaman kullanılır?
Özellikle uzman bilgisi ana veri kaynağı olduğunda ve amaç kesin sayısal tahmin yerine senaryo ve politika keşfi olduğunda, nitel veya yarı-nicel kavramların hakim olduğu sistemleri modellemek ve simüle etmek için bulanık bilişsel haritaları kullanın — çevre yönetimi, tıbbi karar destek, mühendislik kontrolü ve stratejik planlamada yaygındır. Katılımcı modelleme (paydaşlar haritayı oluşturabilir ve inceleyebilir) ve birden fazla uzmanın haritalarını birleştirmek için değerlidir. Sınırlamalar: dinamikler seçilen sıkıştırma fonksiyonu ve ağırlıklara bağlıdır, FCM'ler kesin nicel büyüklükler yerine göreceli nedensel etkiyi yakalar, yakınsama davranışı hassas olabilir ve nedensel yapının doğru olduğunu varsayarlar. Kesin nicel dinamikler veya titiz olasılıksal çıkarım gerektiğinde, sistem dinamikleri veya Bayes ağları daha uygun olabilir.
Sınırlar ve dikkat edilmesi gerekenler
- Kesin nicel büyüklükler değil, göreceli nedensel etkiyi yakalar.
- Sonuçlar sıkıştırma fonksiyonu, ağırlıklar ve güncelleme şemasına bağlıdır.
- Yakınsama hassas olabilir ve limit döngüleri veya kaosa yol açabilir.
- Çıkarılan nedensel yapının doğru olduğunu varsayar; eksik bağlantılar sonuçları saptırır.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Uzman nedensel bilgisini sezgisel, incelenebilir bir grafikte kodlar.
- Geri bildirim dinamiklerini simüle eder ve hızlı 'eğer şöyle olursa' senaryo analizini destekler.
- Kesin veriler olmadan nitel/yarı-nicel kavramları işler.
- Katılımcı modellemeyi ve birden fazla uzmanın haritalarını birleştirmeyi destekler.
Uygulama alanları
- Çevresel ve ekolojik yönetim senaryo analizi.
- Nedensel kavram modellerinden tıbbi karar destek ve teşhis.
- Paydaşlarla stratejik planlama ve politika 'eğer şöyle olursa' analizi.
- Mühendislik süreç kontrolü ve arıza analizi.
- Geri bildirim döngülerinin hakim olduğu sosyo-ekonomik sistemlerin modellenmesi.
Nasıl çalışır?
Nasıl çalışır?
Sistemde önemli olan C₁…Cₙ kavramlarını ve i. kavramın j. kavram üzerindeki etkisinin gücünü ve işaretini kodlayan wᵢⱼ ∈ [−1, 1] ağırlık matrisini tanımlayın. Ağırlıklar uzman yargısından, verilerden veya öğrenme algoritmalarından gelir; pozitif teşvik edici, negatif engelleyici anlamına gelir.
Formül
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})Her kavramın bir aktivasyon değeri vardır. Her adımda, bir kavramın yeni değeri, önceki değeri artı ona giren tüm kavramların aktivasyonlarının ağırlıklı toplamıdır. Bu, ağın geri bildirim yapısı aracılığıyla nedensel etkinin yayılmasıdır.
Formül
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)Toplam etki, aktivasyonları sınırlı bir aralıkta (örneğin, [0,1] veya [−1,1]) tutmak ve doğrusal olmayanlık eklemek için yaygın olarak bir sigmoid (eğim λ ile) veya işaret/hiperbolik tanjant fonksiyonu olan bir sıkıştırma (eşikleme) fonksiyonundan geçirilir, böylece kavramlar sınırsız büyüyemez.
Formül
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})Güncelleme, aktivasyonların değişmesi durana kadar (sabit nokta çekicisi), tekrarlayan bir limit döngüsüne yerleşene kadar veya kaotik olduğu ilan edilene kadar yinelenir. Yakınsan desen senaryonun sonucudur; farklı başlangıç ayarları veya ağırlık düzenlemeleri boyunca yakınsan durumları karşılaştırmak, FCM'lerin 'eğer şöyle olursa' ve politika sorularını nasıl yanıtladığıdır.
Formül
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})Sık yapılan hatalar
- Yakınsan kavram değerlerini göreceli eğilimler yerine kesin tahminler olarak okumak.
- Eşikleme fonksiyonu ve λ seçiminin kararlı durumu nasıl değiştirdiğini göz ardı etmek.
- Doğrulanmamış uzman ağırlıklarıyla haritalar oluşturmak ve bunları temel gerçek olarak kabul etmek.
- Yakınsamama (limit döngüleri) göz ardı etmek ve geçici bir durumu sonuç olarak bildirmek.
Sık sorulan sorular
Bir FCM, bir Bayes ağından nasıl farklıdır?
Her ikisi de kavramlar üzerinde yönlendirilmiş grafiklerdir, ancak bir Bayes ağı koşullu olasılık dağılımlarını kodlar ve olasılıksal çıkarımı destekleyen döngüsüzdür. Bir FCM, işaretli bulanık ağırlıklar kullanır, döngülere (geri bildirim) izin verir ve kararlı bir duruma dinamik olarak simüle edilir. FCM'ler geri bildirim açısından zengin 'eğer şöyle olursa' senaryoları için daha iyidir; Bayes ağları titiz olasılıksal akıl yürütme için.
Ağırlıklar nereden geliyor?
Genellikle uzman yargısından (genellikle sayılara eşlenen dilsel terimler olarak elde edilir), geçmiş verilerden veya Hebbian veya evrimsel ağırlık ayarlaması gibi öğrenme algoritmalarından gelir. Sonuçlar ağırlıklara bağlı olduğundan, kaynakları ve doğrulamaları her zaman bildirilmelidir.
FCM yakınsamazsa ne anlama gelir?
Sabit bir noktaya yerleşmek yerine, sistem ağırlıklara ve sıkıştırma fonksiyonuna bağlı olarak bir limit döngüsüne (tekrarlayan desen) veya kaotik davranışa girebilir. Yakınsamama, sistemin geri bildirim yapısı hakkında kendi başına bilgilendiricidir, ancak geçici bir durum senaryo sonucu olarak bildirilmemelidir.
İlgili yöntemler
Kaynaklar
Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.
DOI kaynağını açKopyalandı.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 kaynağını açKopyalandı.