Federated Granger Causality Learning for Interdependent Clients with State Space Representation

要約

高度なセンサーとIoTデバイスは、複雑な産業企業の監視と制御を改善しました。
また、これらの企業全体で地理的に分散されたプロセス運用（クライアント）の相互依存的なファブリックを作成しました。
グレンジャーの因果関係は、あるクライアントの状態が時間の経過とともに他の状態にどのように影響するかを調べることにより、相互依存を検出および定量化するための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ことは、障害や混乱などのローカライズされたイベントが、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捉えています。
ただし、産業データの大量と複雑さは、これらの相互依存関係をモデル化する上で課題をもたらします。
この論文は、グレンジャーの因果関係を学ぶためのフェデレーションアプローチを開発します。
低次元状態の推定値を活用して相互依存関係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。
これは、帯域幅の制限と、集中データ処理に一般的に関連する計算負担に対処します。
機械学習（ML）関数を通じてサーバーが学んだグレンジャー因果関係情報でクライアントモデルを増強することを提案します。
増強されたクライアントモデルとサーバーモデルの間の共依存性を調べ、フレームワークを、その副および線形収束速度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再定式化します。
また、フレームワークの集中型Oracleモデルへの収束を研究します。
さらに、因果的な洞察を維持しながらデータセキュリティを確保するための差別的なプライバシー分析を含めます。
合成データを使用して、包括的な実験を実施して、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、および生データの寸法を実証します。
また、地方分権化によって保存されたデータの量を報告することにより、2つの実際の産業制御システムデータセットのパフォーマンスを評価します。

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