Нечёткая когнитивная карта

Нечёткие когнитивные карты представляют собой ориентированные графы с нечёткими весами и знаковыми связями. Для вычислений FCM преобразуются в матрицы с помощью таблиц или электронных таблиц.

FCM — это техника приобретения и представления причинного знания, поддерживающая процесс причинного рассуждения и относящаяся к нейро-нечётким системам, направленным на решение задач принятия решений, моделирования и имитации сложных систем^[6].

Для обучения и обновления весов FCM предложены алгоритмы, в основном основанные на идеях из области искусственных нейронных сетей^[7]. Используются методы адаптации и обучения для корректировки модели FCM и её весов. Коско и Дикерсон в 1994 году предложили вариант дифференциального геббовского обучения (DHL) для тренировки FCM^[8]. Также разработаны алгоритмы на основе классического геббовского обучения^[9], генетических алгоритмов, роевого интеллекта^[10] и эволюционных вычислений^[11]. Алгоритмы обучения позволяют уменьшить участие человека, автоматически предлагая кандидаты FCM, активируя только наиболее релевантные понятия на каждом этапе или делая модели более прозрачными и динамическими^[12].

Нечёткие когнитивные карты (FCM) привлекают значительный исследовательский интерес благодаря способности представлять структурированные знания и моделировать сложные системы в различных областях. Это вызвало потребность в развитии более надёжных моделей, способных точнее отражать реальные ситуации.

Для реализации динамических нечётких когнитивных карт, в которых веса связей изменяются во времени, применяются специализированные алгоритмы. Помимо дифференциального геббовского обучения (DHL), к ним относятся DFGCM (Dynamic Fuzzy Grey Cognitive Maps), использующий модель окружения для обновления весов на каждом шаге итерации; DFCM (Dynamic Fuzzy Cognitive Map), основанный на динамическом обновлении весов с помощью обучения Хебба; а также алгоритмы на основе триггера событий (Event-driven), корректирующие веса с учётом семантического сходства, временного затухания и исторической информации^[13][14].

Современные методы верификации и валидации моделей нечётких когнитивных карт демонстрируют переход от ручного построения на основе экспертных оценок к подходам, управляемым данными (data-driven). Для автоматического извлечения концептов и настройки весов связей на основе исторических данных интегрируются методы машинного обучения. Для валидации таких моделей применяются стандартизированные эмпирические процедуры, включая разделение данных на обучающую и тестовую выборки, использование k-кратной кросс-валидации и метода leave-one-out (LOOCV)^[15].

Нечёткие когнитивные карты признаны эффективным инструментом объяснимого искусственного интеллекта (XAI), решающим проблему «чёрного ящика» за счёт сочетания прозрачного символического представления знаний и субсимволического обучения на основе данных^[16][17]. НКК являются гибридным подходом, обеспечивающим высокую интерпретируемость благодаря графовой структуре и встроенной объяснимости^[18].

В 2025 году был предложен метод интеграции нечётких когнитивных карт с большими языковыми моделями (LLM), использующий LLM-управляемый эволюционный алгоритм CMA-ES. В рамках этого подхода LLM применяются для предварительной идентификации и валидации причинно-следственных связей между концептами, а также для определения их направления и типа (положительное или отрицательное влияние). Полученные от LLM данные о связях и их знаках кодируются как ограничения для алгоритма CMA-ES, который затем вычисляет и назначает итоговые веса рёбрам. Данный метод позволяет обучать разреженные и интерпретируемые нечёткие когнитивные карты на основе данных, гарантируя при этом валидность причинно-следственных механизмов.

Первая простая прикладная реализация FCM описана в книге^[19] Уильяма Р. Тейлора, где анализируется война в Афганистане и Ираке. В книге Барта Коско «Fuzzy Thinking»^[20] приведено несколько диаграмм Хассе, иллюстрирующих применение FCM. Например, один из FCM, процитированный Родом Табером, описывает 11 факторов американского рынка кокаина и их взаимосвязи. Для вычислений Тейлор использует пентавалентную логику (скалярные значения из множества {-1, −0,5, 0, +0,5, +1}); карта Табера — тривалентную (значения {-1, 0, +1}). Табер и соавторы также исследуют динамику слияния карт и предлагают теорему о сходимости их комбинаций^[21].

Хотя использование FCM в социальных науках^[19][20][22] привлекло общественное внимание, область применения FCM гораздо шире — она включает моделирование неопределённости и сложных процессов и систем^[23]. Примеры применения:

• В бизнесе FCM используются для планирования продукции^[24] и поддержки принятия решений^[25].
• В экономике FCM помогают использовать теорию игр в более сложных сценариях^[26].
• В образовании — для моделирования критических факторов успеха систем управления обучением^[27].
• В медицине — для моделирования систем, диагностики^[28], создания систем поддержки принятия решений^[29][30] и экспертной оценки^[31].
• В технике — для моделирования и управления^[32] главным образом сложных систем^[33] и в инженерии надёжности^[34].
• В управлении проектами FCM используются для анализа взаимозависимостей между ресурсами проекта.
• В робототехнике^[20][35] FCM позволяют машинам строить нечёткие модели среды и принимать чёткие решения на их основе.
• В компьютерном обучении с помощью FCM возможно выявлять, насколько студенты усвоили материал^[36].
• В экспертных системах несколько FCM могут быть агрегированы для обработки оценок специалистов^[37].
• В управлении ИТ-проектами методология на основе FCM поддерживает моделирование успеха проектов^[38], анализ и оценку рисков^[39][40], работу с ИТ-сценариями^[41].
• В медицинской диагностике — для выявления сердечно-сосудистых заболеваний в кардиологии, диагностики рака молочной железы в онкологии (с сохранением структурной интерпретируемости) и обнаружения болезни Паркинсона в неврологии (с улучшенной точностью и прозрачностью модели)^[42].
• В инженерии — для систем поддержки принятия решений благодаря способности обрабатывать качественные концепции и неточные причинно-следственные связи, обеспечивая высокую интерпретируемость и устойчивость в условиях неопределённости.
• Для анализа надёжности сложных человеко-машинных систем путём интеграции экспертных оценок и разнородных факторов (оптимизация даже одного элемента способна повысить общую надёжность системы на 18 %)^[43][44].
• Для моделирования информационных потоков в социальных медиа с использованием параметров графа, таких как меры центральности, плотность и наличие циклов, формирующих контуры обратной связи^[45][46].

FCMappers — международное онлайн-сообщество, занимающееся анализом и визуализацией нечётких когнитивных карт^[47]. FCMappers предлагает поддержку для начинающих пользователей FCM и предоставляет инструмент на базе Microsoft Excel для анализа FCM, а результаты могут быть экспортированы в формат Pajek и визуализированы в сторонних программах, таких как Pajek, Visone и других. Сообщество также предлагает адаптацию программного обеспечения под определённые исследовательские потребности.

Дополнительные программные средства, такие как Mental Modeler^[48][49], разработаны для коллективной поддержки принятия решений и планирования в сфере исследований социальных наук и управления природными ресурсами.

Среди современных библиотек с открытым исходным кодом выделяются FuzzyCognitiveMaps для языка Julia и FCMpy для Python. FuzzyCognitiveMaps поддерживает конструирование, анализ, визуализацию и симуляцию нечётких когнитивных карт. Библиотека FCMpy предоставляет инструменты для построения, анализа, симуляции поведения системы, анализа сценариев, а также обучения моделей (настройки матрицы весов с использованием алгоритмов машинного обучения)^[50].