Mapas Cognoscitivos Difusos

Presentacin: Martha Mora T.

Textos: Dra. Ana Lilia Laureano C.

Antecedentes

Los mapas cognoscitivos proceden de

la teora del aprendizaje de signos
[1,2] de Edward C. Tolman (18861956), quien en su anlisis de la
conducta del hombre, considera al
aprendizaje de la siguiente manera:

Anlisis de la conducta humana

(Tolman)
Cerebro
(Sala de
Control)

Reorg.

nuevas
respuestas cond.
(cogniciones)

Concepto
2

Concepto
4

Concepto
1

Aprendizaje

Concepto
3

Concepto
5

Lgica difusa
MCDs: Aplicados en sistemas
de control computacional

Concepto
2

Concepto
4

Concepto
1

Razonamiento
causal

Concepto
3

Concepto
5

Representacin del conocimiento experto

Tolman 1932 [3]

EA = Estmulos anteriores
R = Respuestas
C = Consecuencias
EA

Conducta
emergente
(Propsito,cognicin)

Evs. AmbientalesEdo. emocional o

demanda consec.
C

EA

Aprendizaje de Signos (Tolman)

La teora de Edward C. Tolman se

denomin conductismo propositivo en su
principal trabajo sistemtico, conductismo
propositivo en animales y en el hombre
(1932) [2, 3] , ms tarde el propio autor y
otros investigadores le llamaron teora de
signo Gestalt o de la esperanza.
Ambiente
Esperanza
Conducta

(creencia
en resultado)

Meta

Tolman

El organismo aprende que respuesta ejecutar con el fin de

alcanzar su objetivo (meta). Con base en lo anterior elegir el
camino ms corto hacia su objetivo. De acuerdo a Tolman,
docilidad es, ensayos de seleccin de la respuesta adecuada
para la consecucin de la meta.

Por lo anterior se concluye que la conducta es cognoscitiva

por naturaleza. Tolman define as las conexiones o
disposiciones medios-fin (aprendizaje: de qu conduce a
qu), como la existencia de creencias, de que:

si se reacciona mediante un caso de este tipo de respuesta a

un caso de este tipo de situacin (estmulo) ENTONCES

tendremos un caso de situacin-estmulo anterior o un caso

de situacin-estmulo.

Tolman
Construc. cognoscitivas
E = expectativas
MF = disposiciones
medios-fin

MF

Pensamiento
humano

MF

Procesamiento distribuido (Konar)

La llegada del procesamiento paralelo

distribuido (PDP), por los investigadores
Rumelhart, McClelland y sus asociados
abren una nueva frontera en el
aprendizaje maquinal. A diferencia de
los otros modelos de memoria
cognoscitivos, el acercamiento PDP
descansa sobre las caractersticas del
comportamiento de una sola neurona
celular.

Sistema cognoscitivo (PDP)

Capacidades: aprendizaje
almacenamiento,
conocimiento.

N1

Sistema
Cognoscitivo
(red neuronal)

N2

N4

N3

N5

Procesamiento distribuido

Esta corriente puede explicar el

comportamiento de la memoria
cognoscitiva, pero no puede explicar las
perspectivas psicolgicas de la cognicin.
Por ejemplo no puede hacer una diferencia
entre las memorias de largo y corto tiempo,
aunque evidencias experimentales soporten
su co-existencia. An con lo anterior esta
corriente tiene un significado especial en la
simulacin de la cognicin en las mquinas.

Caractersticas fundamentales de PDP

Es un trabajo pionero en cognicin al ver la

memoria biolgica como una coleccin
distribuida de nicas neuronas celulares
que pueden ser entrenadas de forma
paralela cada vez.
Demuestra la posible realizacin de
cognicin en mquinas.
Para entradas similares de patrones la red
neuronal puede tener respuestas similares.
Mientras que para entradas de patrones con
suficientes diferencias, las respuestas son
suficientemente diferentes.

Caractersticas fundamentales de PDP

Esta es una observacin significativa que

nos lleva a una nueva clase de
reconocimiento de patrones por aprendizaje
supervisado. En esta clase de aprendizaje
existe un entrenamiento que proporciona la
salida deseada para un conjunto dado de
patrones de entrada.
El PDP, satisface el direccionamiento del
contenido de la memoria (content
adressable memory), ms que el
direccionamiento de la memoria (trae toda
la informacin a partir de una parte)

Imaginacin mental
(ciencias cognoscitivas)

Recordando una
flor

Mapas cognoscitivos

En IA los mapas cognoscitivos (MC) son

redes capaces de adquirir, aprender,
codificar y decodificar conocimiento /
informacin, con respecto a eventos
causales y la forma en la que es activada.
Modelar mapas cognoscitivos utilizando
lgica difusa parece natural, debido a la
inherente incertidumbre que se encuentra
en las bases de datos y conocimiento del
mundo real.

Mapas cognoscitivos difusos

E2 = Temperatura alta
E3 = Dao severo al sistema

E2

E1

Representacin
causal de eventos
(conocimiento/datos)

E4

E5

E3

Mapas cognoscitivos difusos (MCDs)

Los MCD han sido recin introducidos

por Bart Kosko, quien le da significado
a esta nueva representacin como un
grafo capaz de codificar conocimiento
empleando lgica difusa.

Mapa cognoscitivo de Axelrod

Introduce los mapas cognoscitivos (MC) en 1970

con el fin de representar conocimiento cientfico
social.
Fundamentalismo
Islmico
Islmico
C1

Radicalismo
rabe
rabe
C3

Imperialismo
Sovitico
Sovi
tico
C2

+
Control sirio
sobre libaneses
C4
-

Terrorismo
C5
-

Fuerza del gobierno

Libanss
Liban
C6

Fig. 1. Mapa cognoscitivo que describe las relaciones polticas de la paz en Medio Orien

Axelrod emple una matriz de adyacencia

para representar a los MC. Sea eij un arco
que describe la relacin causal entre los
conceptos de ci hacia cj.
Entonces:
eij : 1, si ci causa incremento a cj
eij : -1, si ci causa decremento a cj
eij : 0, si ci no involucra causalidad a cj.

Matriz de adyacencia
Tabla 1. Matriz de adyacencia de la fig.1

Desde/para C1

C2

C3

C4

C5

C6

C1

-1

C2

C3

C4

-1

C5

-1

-1

C6

La matriz de adyacencia E sirve, por ejemplo, para

saber cual es el efecto de los nodos C1 y C4.
Para ello se multiplica el vector donde aparezca un
uno en estos nodos [ 1 0 0 1 0 0] por la matriz E.
C = [1 0 0 1 0 0]
C1 C2 C3 C4 C5 C6
Entonces
CE = [0 -1 1 0 0 -1]
C1 C2 C3 C4 C5 C6
Este resultado indica el efecto de C1 en C2 y C3, y
el efecto de C4 en C6.

Mapa cognoscitivo de Kosko

Kosko formaliza la relacin de la causalidad

proponiendo un mapa cognoscitivo difuso (MCD).
Uno de los objetivos al incluir la lgica difusa es
satisfacer una relacin dirigida de forma parcial con
respecto al operador entre dos nodos. As que de
acuerdo a este autor tenemos:
Ci = un concepto
Qi = a un conjunto de etiquetas lingsticas (mucho
Ci, mas o menos Ci, etc.) para Ci
Entonces para dos conceptos Ci y Cj , Ci causa Cj
ssi
1. Qi Qj y Qi
Qj
2. Qi
Qj y Qi Qj

En el caso de la regla 1, la causalidad

de Ci incrementa Cj. Y en la regla 2, la
causalidad de Ci disminuyeCj.
Ahora supongamos que deseamos
expresar el siguiente conocimiento:
de forma amplia el fundamentalismo
islmico incrementa el
fundamentalismo masivo rabe.

de forma amplia el fundamentalismo islmico

causa una severa cada en el imperialismo
rabe.
Consideremos entonces etiquetas
lingsticas para expresar esto tomando en
consideracin las reglas anteriores.
Por ejemplo sea:
P = { ninguno algo mucho demasiado },
un conjunto ordenado de etiquetas para los
arcos.

Entonces para el mapa de la Figura 2 encontramos el efecto

causal de C1 sobre C5, en este caso el efecto se da a travs
de 3 caminos.
C1 C2 C4 C5
C1 C3 C5
C1 C3 C4 C5

C1

algo

C2

mucho
C3

demasiado
algo

demasiado

C4
algo

C5
Figura 2. Mapa cognoscitivo con etiquetas difusas en los arcos

En este caso el efecto causal es determinado tomando en

consideracin el valor mnimo de las etiquetas que conforman
cada uno de los tres caminos.
C1 C2 C4 C5 Min { e12, e24, e45 } = { algo, demasiado,
algo } = algo
C1 C3 C5
Min { e13, e35 }
= { mucho, demasiado }
= mucho
C1 C3 C4 C5 Min { e13, e34 e45 } = { mucho, algo, algo }
= algo
Y finalmente para determinar el efecto total de C1 sobre C5,
tomamos el valor mximo de los tres caminos que en este caso
es mucho. Lo que significa que C1 imparte mucha causalidad
a C5.

Mapa cognoscitivo de Kosko

extendido

Kosko extendi el modelo bsico de Axelrod

incluyendo una funcin no lineal. En este
caso, sea E (n x n) la matriz de incidencia
de un mapa cognoscitivo y sea C, un vector
dado del estado del sistema en un instante
dado. En este caso ci, que es el i-simo
componente del vector C, denota la fuerza
del concepto, de aqu que el siguiente
vector de estado pueda ser evaluado como:
C (t+1) = S [ C(t) * E]
Donde:

S : es una funcin no lineal aplicada de

forma individual sobre los componentes del
producto de la matriz.
t : denota el tiempo
hay que tener en consideracin que la
inclusin de la no linealidad, algunas veces
fuerza al mapa cognoscitivo a reciclarse a
travs de los estados.

Ejemplo
Consideramos la siguiente matriz de adyacencia:
Tabla2. Matriz de adyacencia de un mapa cognoscitivo

Desde/para

C1

C2

C3

C4

C5

C1

-1

C2

-1

C3

-1

-1

C4

-1

C5

-1

-1

Ahora sea S sea una funcin no lineal de tipo

binario, donde:
S(a) = +1 para a > 0
S(a) = 0 para a 0
Entonces para un estado inicial encontramos un
estado lmite de comportamiento a travs de los
siguientes estados:
C1 C5 = (1 0 0 0 1)
C2
= (0 1 0 0 0)
C3
= (0 0 1 0 0)
C4
= (0 0 0 1 0)
C1 C5 = (1 0 0 0 1)

En este caso al incluir la funcin no lineal

estamos acotando la distribucin de los
valores de salida e intentando que sea la
misma que los valores de entrada, en este
caso nos referimos al desempeo del
razonamiento, en otras palabras, al mismo
tiempo se est dotando al mapa
cognoscitivo con una auto evaluacin, en el
sentido de saber qu tan bien se razona
con respecto al diseo de los enlaces de la
matriz de adyacencia.

Existen diferentes tipos de funciones como

la logstica, la tangente hiperblica, el arco
seno, o el arco tangente entre otras [4]; y
cada una de ellas de forma particular se
adaptar a cada tipo de problema
(razonamiento del proceso). Hay que hacer
notar que la funcin logstica es la mejor en
el sentido que conlleva el aprendizajeestadstico perfecto [5].

Mapas cognoscitivos con

aprendizaje

Existen distintas versiones que incluyen

aprendizaje, a continuacin se da una breve
explicacin de ellos para un mayor detalle consultar
[1] entre ellas un mapa cognoscitivo adaptable de
Kosko, en este se propone un aprendizaje para los
enlaces. Sea eij el valor de la causalidad difusa del
nodo i al nodo j, sean xi y xj, los valores de
reforzamiento de las seales de entrada de los
conceptos ci y cj respectivamente y sea S una
funcin no lineal. Adems incluye la ley del
aprendizaje de Hebbian en los enlaces eij para
adaptar el valor de causalidad a travs de la
siguiente ecuacin.

eij (t+1) = (1-B) eij (t) + S (xi) + S (xj)

donde B es un trmino que hace que
decaiga el valor difuso del arco, en otras
palabras le quita la fuerza de definicin
borrosa y lo vuelve discreto. S es una
funcin sigmoidea. Utiliza esta funcin con
el fin de saber qu tan eficiente es el
aprendizaje, de aqu que utilice la derivada
en el tiempo, aunque la ecuacin que se
usa es la versin discreta.

Entonces para un enlace dado eij (0), se

puede iterar la expresin anterior hasta que
el valor de eij se vuelva estable. Una vez
que eij = eij *, para toda i,j, el proceso
termina. Para ejecutar la llamada del mapa
cognoscitivo difuso se utiliza la ecuacin del
mapa cognoscitivo extendido de su
propuesta anterior:
C (t+1) = S [ C(t) * E]

Otro modelo que incluye aprendizaje es el modelo

de Pal y Konar [1]el cual conlleva creencias difusas
en los nodos y reforzamiento de los valores
causales representados por los enlaces.
El modelo de Zhang, Chen y Bezdek, fu elaborado
con el fin de incorporar la experticia de varios
expertos. Los autores definen una lgica negativa,
positiva y neutral, para variables difusas y
discretas, en el caso de las variables discretas el
conjunto de valores admitidos es { -1, 0, 1 } y en
caso de las variables difusas el espacio de valores
se mueve entre [-1,1]. En ese caso los enlaces
estn etiquetados con dos valores (u,v), donde u y
v representan el valor mnimo y mximo del valor
difuso del arco.

Estos autores categorizan su modelo

en tres componentes:
el primero se refiere a la construccin
del mapa cognoscitivo: aqu se fusiona
la opinin de varios expertos, con el fin
de determinar el par de valores difusos
de los enlaces.

el segundo componente es la
heurstica para determinar el mejor
camino entre dos elementos,
buscando la mayor causalidad positiva
con el mnimo efecto.
el tercero es la interpretacin que se
da al resultado de la segunda fase. Y
as en el caso de un resultado( (-0.3,
0), la respuesta a : te guste o no,
existe un efecto causal positivo de xi
sobre xj? la respuesta es 0.3.

En el caso de estudio se utiliz el

mapa cognoscitivo extendido de
Kosko, y la estabilizacin del mismo
proviene de un cuidadoso diseo de la
conducta que repercute directamente
en la matriz de adyacencia cuyos
enlaces representan la causalidad
entre los distintos elementos que
conforman la conducta modelada.

Bibliografa
1.
2.

3.
4.

5.

Konar, A., Jain, L. 2005. Cognitive Engineering A Distributed

Approach to Machine Intelligence. Springer Verlag-London.
Garca, H., Reyes C. and Morales, R. 2002. Diseo e
Implementacin de Mapas Cognitivos Difusos para Tutoriales
Inteligentes. Memorias del XV Congreso Nacional y I
Congreso Internacional de Informtica y Computacin de la
ANIEI. Vol. I, pp. 51 59, octubre.
C.Tolman Edward, Purposive Behavior in Animals and Men,
1932.
Patel, A. Kosko, B. 2006. Mutula Information Noise Benefits
in Brownian Models of Continuous and Spiking Neurons.
2006 International Joint Conference on Neural Networks.
Sheraton Vancuver Wall Centre Hotel, BC, Canada July 1621.
Vapnik N. Valdimir, Statistical Learning Theory, John Wiley &
Sons, 1998