[论文解读] 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 10

一句话总结

本文提出模糊认知图（FCMs）作为有向无环图（DAGs）在复杂系统中建模因果反馈的灵活替代方案。通过允许具有非线性动态的循环、模糊加权有向图，FCMs 实现了基于模式的前向推理、专家知识融合以及对反馈丰富的场景的稳健模拟——在叛乱支持和中美冲突动力学中的应用表明，FCMs 在约 80% 的输入情景中预测了类似战争的结果。

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.

研究动机与目标

• 解决由于 DAG 的无环结构导致其在建模因果反馈方面存在局限性的问题。
• 开发一种支持非线性动态、反馈回路和传递性因果影响的因果建模框架。
• 通过模糊逻辑与基于矩阵的计算，实现复杂社会系统可扩展、快速且可组合的建模。
• 在叛乱与国际冲突等高风险政策领域中，展示该方法的实用性。

提出的方法

• 将因果关系建模为具有数值边权重的模糊加权有向图（FCMs），其中边权重表示因果影响的程度。
• 使用矩阵-向量运算模拟系统动态，其中节点激活值通过迭代演化趋向吸引子状态（不动点或极限环）。
• 通过应用输入刺激并追踪状态演化，实现前向链式推理，直至达到平衡状态。
• 通过将多个专家 FCM 的底层模糊边矩阵相加，实现专家知识融合，提升模型在专家样本数量增加时的鲁棒性。
• 采用阈值化处理（三值 FCM）以评估在边值不确定性下的结果稳定性。
• 利用时间动态与吸引子盆地分析长期系统行为，并预测重复出现的事件模式。

实验结果

研究问题

• RQ1 FCMs 是否能有效建模因 DAG 的无环性而失效的因果反馈系统？
• RQ2 与概率性 DAG 相比，FCMs 中反馈回路的引入在模式预测方面有何改进？
• RQ3 FCMs 在多大程度上能有意义地融合专家知识？这种融合是否提升了模型准确性？
• RQ4 FCMs 对因果边值的不确定性或专家间结构分歧的预测鲁棒性如何？
• RQ5 FCMs 是否能够模拟复杂的政策情景，例如国际关系中的修昔底德陷阱框架？

主要发现

• 在中美修昔底德陷阱框架中，FCM 模型在约 80% 的输入情景中预测了类似战争的冲突结果。
• 三值（阈值化）FCM 版本预测的和平模式比例（14.7%）与原始模糊 FCM（19.3%）相近，表明对边值不确定性的鲁棒性。
• 通过矩阵加法实现的专家知识融合，随着合并专家数量的增加，模型表征能力得到提升，表明向更优领域知识收敛。
• FCMs 展现出传递性因果影响，即上游节点可通过因果链对下游节点产生总影响。
• 模型的非线性动态始终收敛至极限环或不动点，从而能够从输入刺激稳定预测模式。
• 尽管在反向链式推理和缺失节点推断方面存在局限，FCMs 仍为反馈丰富的系统提供了可扩展、计算高效的贝叶斯网络替代方案。