超越有向无环图：用模糊认知图建模因果反馈

模糊认知图（FCMs）在交织的因果关系和政策变量网络中建模反馈因果关系。FCM是模糊有符号有向图，允许因果影响程度和事件发生程度。此类因果模型可以模拟广泛的政策情景和决策过程。其有向环路或循环直接建模因果反馈。其非线性动力学允许从输入原因和政策选项到输出效果的前向链式推理。用户可以将详细的动力学和反馈链接直接添加到因果模型中，或通过统计学习律推断它们。用户可以通过加权和叠加底层的模糊边矩阵来融合或组合来自多位专家的FCM，并在需要时递归进行。如果专家样本近似于随机样本，随着专家样本量的增加，组合后的FCM往往能更好地表示领域知识。许多因果模型使用更具限制性的有向无环图（DAGs）和贝叶斯概率。DAG不建模因果反馈，因为它们不包含闭合环路。组合DAG也往往会产生循环，因此往往不会产生新的DAG。组合DAG往往会产生FCM。FCM的因果影响也是可传递的，而概率因果影响通常不可传递。总体而言：FCM以概率DAG的数值精度换取模式预测、更快且可扩展的计算、易于组合以及更丰富的反馈表示。我们展示了FCM如何应用于公众支持叛乱和恐怖主义的问题，以及格雷厄姆·艾利森修昔底德陷阱框架下的中美冲突关系。附录给出了修昔底德陷阱FCM的文本论证。它还将我们之前的定理[Osoba-Kosko2017]扩展到一个更一般的结果，该结果展示了上游概念节点对下游节点施加的可传递且完全的因果影响。