Neues Fuzzy Cognitive Map: Kolmogorov‑Arnold‑Ansatz löst Nichtmonotonie

Ein neues Forschungsprojekt präsentiert den Kolmogorov‑Arnold‑Fuzzy Cognitive Map (KA‑FCM), eine bahnbrechende Weiterentwicklung des klassischen Fuzzy Cognitive Map (FCM). Während herkömmliche FCMs mit festen, skalaren Synapsen und monotonen Aktivierungsfunktionen arbeiten, stößt die neue Architektur an die Grenzen, wenn es um nichtmonotone kausale Zusammenhänge geht – etwa bei Sättigungseffekten oder periodischen Dynamiken.

Der Schlüssel zum Durchbruch liegt in der Ersetzung der statischen Gewichte durch lernbare, univariate B‑Spline‑Funktionen, die entlang der Kanten des Graphen platziert werden. Durch diese Veränderung verschiebt sich die Nichtlinearität von der Aggregationsphase der Knoten direkt in die kausale Übertragungsphase. Das Ergebnis ist ein Modell, das beliebige, nichtmonotone Beziehungen abbilden kann, ohne die Graphdichte zu erhöhen oder zusätzliche Schichten einzuführen.

Die Leistungsfähigkeit des KA‑FCM wurde in drei unterschiedlichen Anwendungsbereichen getestet: der Yerkes‑Dodson‑Gesetz‑Inference, symbolische Regression und die Vorhersage chaotischer Zeitreihen. Im Vergleich zu Standard‑FCMs, die mit Particle‑Swarm‑Optimierung trainiert wurden, sowie zu universellen Black‑Box‑Modellen wie dem Multi‑Layer Perceptron, erzielte das neue Modell deutlich bessere Ergebnisse und zeigte sich als konkurrenzfähig gegenüber den etablierten Ansätzen.

Diese Entwicklung eröffnet neue Möglichkeiten für die Modellierung komplexer, dynamischer Systeme, bei denen nichtmonotone kausale Effekte eine zentrale Rolle spielen. Durch die Kombination von Interpretierbarkeit und erweiterter Ausdruckskraft bietet der KA‑FCM einen vielversprechenden Ansatz für Forschung und Praxis gleichermaßen.