[論文レビュー] Beyond DAGs: Modeling Causal Feedback with Fuzzy Cognitive Maps

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

Cognitive Science and Mapping参考文献 55被引用数 10

ひとこと要約

本論文は、複雑なシステムにおける因果的フィードバックをモデル化するための柔軟な代替手法として、ファジィ認知マップ（FCMs）を提案する。サイクルを許容し、ファジィ符号付き有向グラフとして非線形ダイナミクスを持つFCMsにより、パターンベースの前向き推論、エキスパート知識の統合、フィードバック豊富なシナリオのロバストなシミュレーションが可能となる。インスルゲン支援と米中対立ダイナミクスの応用事例を通じて、入力シナリオの約80％で戦争に類似した結果を予測したことが示された。

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.

研究の動機と目的

• DAGが非巡回構造を持つため、因果的フィードバックをモデル化する際に限界が生じることに対処すること。
• 非線形ダイナミクス、フィードバックループ、推移的因果的影響をサポートする因果モデリングフレームワークの開発。
• ファジィ論理と行列ベースの計算を用いて、スケーラブルで高速かつ合成可能な複雑な社会的システムのモデリングを可能とすること。
• インスルゲンや国際的対立といった高リスクの政策分野における手法の有効性を示すこと。

提案手法

• 因果的関係を、因果的影響の度合いを表す数値的エッジ重みを持つファジィ符号付き有向グラフ（FCMs）としてモデル化する。
• 行列・ベクトル演算を用いてシステムのダイナミクスをシミュレートし、ノードの活性化がアトラクタ状態（固定点または極限円周）へ反復的に収束するようにする。
• 入力スティミュラスを適用し、均衡に達するまで状態の変化を追跡することで、前向きチェーン推論を実装する。
• 複数のエキスパートFCMを、それらのファジィエッジ行列を加算することで統合し、エキスパートのサンプル数が増えるほどモデルのロバスト性が向上することを実現する。
• しきい値処理（三値FCMs）を用いて、エッジ値の不確実性に対する結果の安定性を評価する。
• 時間的ダイナミクスとアトラクタの盆地を用いて、長期的なシステム行動を分析し、繰り返し発生する出来事のパターンを予測する。

実験結果

リサーチクエスチョン

• RQ1 DAGが非巡回性のため失敗するようなシステムにおいて、FCMsは因果的フィードバックを効果的にモデル化できるか？
• RQ2 FCMsにフィードバックループを組み込むことで、確率的DAGと比較してパターン予測がどの程度向上するか？
• RQ3 FCMsはエキスパート知識をどの程度意味的に統合でき、その統合がモデルの正確性を向上させるか？
• RQ4 因果的エッジ値の不確実性やエキスパート間の構造的合意の欠如に対して、FCMsの予測はどの程度ロバストか？
• RQ5 FCMsは国際関係におけるテウクシデスの罠フレームワークのような複雑な政策シナリオをシミュレートできるか？

主な発見

• FCMモデルは、米中対立のテウクシデスの罠フレームワーク内において、入力シナリオの約80％で戦争に類似した結果を予測した。
• 三値（しきい値処理済み）FCMバージョンは、元のファジィFCM（19.3％の平和的結果）と比較して、類似した平和的パターン予測（14.7％の平和的結果）を示し、エッジ値の不確実性に対して高いロバスト性を示した。
• エッジ行列の加算によるエキスパート知識の統合により、統合されたエキスパート数が増えるほどモデル表現が向上し、より良い分野知識に収束する傾向が示された。
• FCMsは推移的因果的影響を示した。上流のノードが因果的リンクの鎖を通じて下流のノードに総合的影響を与えることが確認された。
• モデルの非線形ダイナミクスは、常に極限円周または固定点に収束し、入力スティミュラスからの安定したパターン予測が可能となった。
• バックワードチェーンや欠落ノードの推論に限界があるものの、フィードバック豊富なシステムに対して、ベイジアンネットワークの代替としてスケーラブルで計算的に効率的な手法を提供した。