Agentic Chunking and Bayesian De-chunking of AI Generated Fuzzy Cognitive Maps: A Model of the Thucydides Trap

📄 arXiv: 2605.17903v1 📥 PDF

作者: Akash Kumar Panda, Olaoluwa Adigun, Bart Kosko

分类: cs.AI, cs.CL, cs.HC, cs.IR

发布日期: 2026-05-18

备注: 15 pages, 6 figures

💡 一句话要点

提出基于LLM Agent的FCM自动构建与贝叶斯解耦方法，用于分析大国冲突。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 模糊认知地图 大型语言模型 因果关系推理 知识图谱 修昔底德陷阱

📋 核心要点

  1. 现有方法难以从文本中自动构建可解释的因果关系知识图，尤其是在分析复杂地缘政治问题时。
  2. 利用LLM Agent将文本分解为重叠块，构建块FCM，并通过凸混合生成代表性的循环FCM知识图。
  3. 实验表明，该方法在“修昔底德陷阱”分析中，多数FCM预测了崛起大国与主导大国之间的潜在冲突。

📝 摘要（中文）

本文提出了一种自动生成反馈因果模糊认知地图（FCM）的方法，该方法通过训练大型语言模型（LLM）Agent将文本分解为重叠的文本块。对这些块FCM进行凸混合，得到具有代表性的循环FCM知识图。文本块可以具有不同程度的重叠，但块FCM仍然可以混合形成新的FCM因果知识图。这种混合技术具有可扩展性，因为它使用稀疏因果块矩阵进行轻量级计算。混合结构允许一种操作层面的贝叶斯推理，从混合FCM中产生“解耦”或后验FCM。这些解耦FCM本身很有用，并允许进一步的贝叶斯更新迭代。我们在Allison的“修昔底德陷阱”模型（即美国和中国等崛起大国之间的冲突）的论文文本上演示了这些混合技术。FCM动力系统在平衡到不动点或极限环吸引子时预测结果。当我们通过开启并保持代表崛起大国雄心和权利的概念节点来刺激它们时，8个FCM知识图中有7个预测了一种战争。

🔬 方法详解

问题定义：论文旨在解决从文本中自动构建因果关系知识图的问题，特别是针对复杂的地缘政治场景，例如“修昔底德陷阱”。现有方法通常依赖于人工构建或简单的关键词提取，难以捕捉文本中细微的因果关系和反馈环路。此外，现有方法的可扩展性较差，难以处理大规模文本数据。

核心思路：论文的核心思路是利用大型语言模型（LLM）Agent来自动分解文本，并为每个文本块构建一个模糊认知地图（FCM）。然后，通过凸混合将这些块FCM组合成一个整体的FCM知识图。这种方法能够捕捉文本中不同粒度的因果关系，并利用FCM的动力学特性来预测潜在的冲突结果。此外，论文还提出了一种贝叶斯解耦方法，用于从混合FCM中提取更精细的因果关系。

技术框架：整体框架包括以下几个主要步骤：1) 使用LLM Agent将输入文本分解为重叠的文本块。2) 为每个文本块构建一个块FCM，其中节点代表概念，边代表概念之间的因果关系强度。3) 使用凸混合将块FCM组合成一个整体的FCM知识图。4) 使用FCM动力学模型模拟知识图的演化，并预测潜在的冲突结果。5) 使用贝叶斯解耦方法从混合FCM中提取更精细的因果关系。

关键创新：论文的关键创新点在于：1) 使用LLM Agent自动分解文本并构建块FCM，从而避免了人工构建的繁琐和主观性。2) 提出了一种凸混合方法，能够有效地将块FCM组合成一个整体的FCM知识图。3) 提出了一种贝叶斯解耦方法，用于从混合FCM中提取更精细的因果关系。与现有方法相比，该方法能够更好地捕捉文本中细微的因果关系和反馈环路，并具有更好的可扩展性。

关键设计：LLM Agent使用Gemini 3.1模型。凸混合使用稀疏因果块矩阵，以减少计算量。贝叶斯解耦方法利用混合结构的先验信息，推断后验FCM。FCM动力学模型使用标准的FCM更新规则，并根据概念节点的激活值来预测冲突结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用该方法构建的FCM知识图在“修昔底德陷阱”分析中表现良好。在8个FCM知识图中，有7个预测了一种战争，这表明该方法能够有效地捕捉潜在的冲突风险。此外，实验还验证了贝叶斯解耦方法的有效性，该方法能够从混合FCM中提取更精细的因果关系。

🎯 应用场景

该研究可应用于地缘政治风险评估、政策分析、情报分析等领域。通过自动构建和分析因果关系知识图，可以帮助决策者更好地理解复杂局势，预测潜在的冲突风险，并制定更有效的应对策略。该方法还可以扩展到其他领域，例如金融风险管理、公共卫生事件预测等。

📄 摘要（原文）

We automatically generate feedback causal fuzzy cognitive maps (FCMs) from text by teaching large-language-model agents to break the text into overlapping chunks of text. Convex mixing of these chunk FCMs gives a representative cyclic FCM knowledge graph. The text chunks can have different levels of overlap. The chunk FCMs still mix to form a new FCM causal knowledge graph. The mixing technique scales because it uses light computation with sparse causal chunk matrices. The mixing structure allows an operator-level type of Bayesian inference that produces "de-chunked" or posterior-like FCMs from the mixed FCM. These de-chunked FCMs are useful in their own right and allow further iterations of Bayesian updating. We demonstrate these mixing techniques on the essay text of Allison's "Thucydides Trap" model of conflict between a dominant power such as the United States and a rising power such as China. The FCM dynamical systems predict outcomes as they equilibrate to fixed-point or limit-cycle attractors. Seven out of 8 FCM knowledge graphs predicted a type of war when we stimulated them by turning on and keeping on the concept node that stands for the rising power's ambition and entitlement. Gemini 3.1 LLMs served as the chunking AI agents.