[논문 리뷰] Beyond DAGs: Modeling Causal Feedback with Fuzzy Cognitive Maps

Osonde Osoba, Bart Kosko|arXiv (Cornell University)|2019. 06. 26.

Cognitive Science and Mapping참고 문헌 55인용 수 10

한 줄 요약

이 논문은 복잡한 시스템에서 인과적 피드백을 모델링하기 위해 방향성 비순환 그래프(DAGs)의 유연한 대안으로 퍼지 인식 지도(FCMs)를 제안한다. 순환적이고 퍼지된 부호가 부여된 방향성 그래프에 비선형 동역학을 허용함으로써 FCMs는 패턴 기반 정방향 추론, 전문 지식 융합, 피드백이 풍부한 시나리오의 강건한 시뮬레이션을 가능하게 한다. 이는 인수 지원 및 미중 갈등 역학에 대한 적용 사례를 통해 입증되었으며, FCM은 입력 시나리오의 약 80%에서 전쟁 유사 결과를 예측하였다.

ABSTRACT

Fuzzy cognitive maps (FCMs) model feedback causal relations in interwoven webs of causality and policy variables. FCMs are fuzzy signed directed graphs that allow degrees of causal influence and event occurrence. Such causal models can simulate a wide range of policy scenarios and decision processes. Their directed loops or cycles directly model causal feedback. Their nonlinear dynamics permit forward-chaining inference from input causes and policy options to output effects. Users can add detailed dynamics and feedback links directly to the causal model or infer them with statistical learning laws. Users can fuse or combine FCMs from multiple experts by weighting and adding the underlying fuzzy edge matrices and do so recursively if needed. The combined FCM tends to better represent domain knowledge as the expert sample size increases if the expert sample approximates a random sample. Many causal models use more restrictive directed acyclic graphs (DAGs) and Bayesian probabilities. DAGs do not model causal feedback because they do not contain closed loops. Combining DAGs also tends to produce cycles and thus tends not to produce a new DAG. Combining DAGs tends to produce a FCM. FCM causal influence is also transitive whereas probabilistic causal influence is not transitive in general. Overall: FCMs trade the numerical precision of probabilistic DAGs for pattern prediction, faster and scalable computation, ease of combination, and richer feedback representation. We show how FCMs can apply to problems of public support for insurgency and terrorism and to US-China conflict relations in Graham Allison's Thucydides-trap framework. The appendix gives the textual justification of the Thucydides-trap FCM. It also extends our earlier theorem [Osoba-Kosko2017] to a more general result that shows the transitive and total causal influence that upstream concept nodes exert on downstream nodes.

연구 동기 및 목표

• DAGs의 비순환적 구조로 인해 인과적 피드백을 모델링하는 데 한계가 있다는 문제를 해결하기 위해.
• 비선형 동역학, 피드백 루프, 이행적 인과적 영향을 지원하는 인과 모델링 프레임워크를 개발하기 위해.
• 퍼지 논리와 행렬 기반 계산을 통해 복잡한 사회 시스템의 스케일러블하고 빠르며 조합 가능한 모델링을 가능하게 하기 위해.
• insurgence 및 국제 갈등과 같은 고위험 정책 분야에서의 방법의 유용성을 입증하기 위해.

제안 방법

• 인과 관계를 수치적 간선 가중치(인과적 영향의 정도를 나타냄)를 갖는 퍼지 부호가 부여된 방향성 그래프(FCMs)로 모델링한다.
• 행렬-벡터 연산을 사용하여 시스템 동역학을 시뮬레이션하며, 노드 활성도가 안정점(고정점) 또는 한계 사이클로 반복적으로 수렴하도록 한다.
• 입력 자극을 적용하고 상태 변화를 추적함으로써 정방향 추론을 수행하며, 평형 상태에 도달할 때까지 반복한다.
• 여러 전문가의 FCM을 합산함으로써 기반 퍼지 간선 행렬을 융합하여 전문가 수가 많아질수록 모델의 강건성을 향상시킨다.
• 임계값 설정(3치 FCM)을 통해 간선 값의 불확실성 하에서 결과의 안정성을 평가한다.
• 시간적 동역학과 안정점 영역을 활용하여 장기적 시스템 행동을 분석하고 반복적인 사건 패턴을 예측한다.

실험 결과

연구 질문

• RQ1 DAGs의 비순환성으로 인해 실패하는 시스템에서 FCMs가 인과적 피드백을 효과적으로 모델링할 수 있는가?
• RQ2 FCMs에 피드백 루프를 포함시킬 경우, 확률적 DAGs에 비해 패턴 예측 성능이 어떻게 향상되는가?
• RQ3 FCMs는 전문 지식을 얼마나 의미 있게 융합할 수 있으며, 이로 인해 모델 정확도가 향상되는가?
• RQ4 인과 간선 값의 불확실성 또는 전문가 간의 구조적 의견 차이가 있을 경우 FCM의 예측은 얼마나 강건한가?
• RQ5 FCMs는 국제관계에서의 투키디데스 함정 프레임워크와 같은 복잡한 정책 시나리오를 시뮬레이션할 수 있는가?

주요 결과

• FCM 모델은 미중 갈등의 투키디데스 함정 프레임워크 내에서 입력 시나리오의 약 80퍼센트에서 전쟁 유사 결과를 예측하였다.
• 3치(임계값 설정) FCM은 원래의 퍼지 FCM(19.3퍼센트의 평화적 결과)와 유사한 평화 패턴 예측(14.7퍼센트의 평화적 결과)을 도출하여 간선 값 불확실성에 대한 강건성을 입증하였다.
• 전문가 지식 융합을 위해 행렬 덧셈을 적용함으로써 전문가 수가 증가할수록 모델 표현력이 향상되었으며, 이는 더 나은 영역 지식에 수렴하는 경향을 보였다.
• FCMs는 전이적 인과적 영향을 보였으며, 상游 노드가 인과 연결 체인을 통해 하위 노드에 총 영향력을 행사하였다.
• 모델의 비선형 동역학은 일관되게 한계 사이클 또는 고정점을 향해 수렴하였으며, 이는 입력 자극으로부터 안정적인 패턴 예측이 가능함을 의미한다.
• 역방향 추론 및 누락된 노드 추론의 한계가 있음에도 불구하고, FCMs는 피드백이 풍부한 시스템에 대한 베이지안 네트워크에 비해 스케일러블하고 계산적으로 효율적인 대안을 제공한다.