Federated Granger Causality Learning for Interdependent Clients with State Space Representation

要約

高度なセンサーと IoT デバイスにより、複雑な産業企業の監視と制御が向上しました。
また、これらの企業全体に地理的に分散されたプロセス操作 (クライアント) の相互依存構造も作成しました。
グレンジャー因果関係は、あるクライアントの状態が時間の経過とともに他のクライアントにどのような影響を与えるかを調べることにより、相互依存関係を検出および定量化する効果的なアプローチです。
これらの相互依存関係を理解すると、障害や中断などの局所的なイベントがシステム全体にどのように伝播し、広範囲にわたる運用上の影響を引き起こす可能性があるかを把握できます。
ただし、産業データの量が多く複雑であるため、これらの相互依存関係をモデル化する際に課題が生じます。
この論文では、グレンジャーの因果関係を学習するための連合アプローチを開発します。
私たちは、低次元の状態推定を利用して相互依存性を分析する線形状態空間システム フレームワークを利用します。
これにより、帯域幅の制限と、集中型データ処理に一般的に伴う計算負荷に対処します。
私たちは、機械学習 (ML) 機能を通じてサーバーによって学習されたグレンジャー因果関係情報を使用してクライアント モデルを強化することを提案します。
私たちは、拡張されたクライアント モデルとサーバー モデルの間の相互依存性を調査し、サブリニアおよび線形収束レートの条件を提供するスタンドアロン ML アルゴリズムとしてフレームワークを再定式化します。
また、集中型のオラクル モデルへのフレームワークの収束についても研究します。
さらに、因果関係の洞察を維持しながらデータのセキュリティを確保するために、差分プライバシー分析が組み込まれています。
合成データを使用して、因果関係の摂動に対するアプローチの堅牢性、通信のサイズ、クライアントの数、および生データのサイズに対する拡張性を実証するための包括的な実験を実施します。
また、分散化によって節約されたデータの量を報告することにより、2 つの現実世界の産業用制御システム データセットのパフォーマンスも評価します。

要約(オリジナル)

Advanced sensors and IoT devices have improved the monitoring and control of complex industrial enterprises. They have also created an interdependent fabric of geographically distributed process operations (clients) across these enterprises. Granger causality is an effective approach to detect and quantify interdependencies by examining how one client’s state affects others over time. Understanding these interdependencies captures how localized events, such as faults and disruptions, can propagate throughout the system, possibly causing widespread operational impacts. However, the large volume and complexity of industrial data pose challenges in modeling these interdependencies. This paper develops a federated approach to learning Granger causality. We utilize a linear state space system framework that leverages low-dimensional state estimates to analyze interdependencies. This addresses bandwidth limitations and the computational burden commonly associated with centralized data processing. We propose augmenting the client models with the Granger causality information learned by the server through a Machine Learning (ML) function. We examine the co-dependence between the augmented client and server models and reformulate the framework as a standalone ML algorithm providing conditions for its sublinear and linear convergence rates. We also study the convergence of the framework to a centralized oracle model. Moreover, we include a differential privacy analysis to ensure data security while preserving causal insights. Using synthetic data, we conduct comprehensive experiments to demonstrate the robustness of our approach to perturbations in causality, the scalability to the size of communication, number of clients, and the dimensions of raw data. We also evaluate the performance on two real-world industrial control system datasets by reporting the volume of data saved by decentralization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google