Explainable Federated Bayesian Causal Inference and Its Application in Advanced Manufacturing

要約

因果推論は、生物学、ヘルスケア、環境科学などのさまざまな分野で、特に説明可能な人工知能 (xAI) システムにおいて、複数の変数と結果の間の因果関係を明らかにするために、最近注目を集めています。
しかし、まだ完全には認識されておらず、製造システムに導入されていません。
この論文では、分散製造システムにおける治療効果の推定を通じて因果関係を調査するために設計された、説明可能でスケーラブルで柔軟なフェデレーテッド ベイズ学習フレームワーク \texttt{xFBCI} を紹介します。
フェデレーション ベイジアン学習を活用することで、ローカル パラメーターの事後推定を効率的に行い、ローカルのプライベート データにアクセスすることなく、各クライアントの傾向スコアを導き出します。
これらのスコアは、傾向スコア マッチング (PSM) を使用して治療効果を推定するために使用されます。
さまざまなデータセットと実際の電気流体力学 (EHD) 印刷データのシミュレーションを通じて、私たちのアプローチが標準的なベイジアン因果推論手法やいくつかの最先端のフェデレーテッド ラーニング ベンチマークよりも優れていることを実証しました。

要約(オリジナル)

Causal inference has recently gained notable attention across various fields like biology, healthcare, and environmental science, especially within explainable artificial intelligence (xAI) systems, for uncovering the causal relationships among multiple variables and outcomes. Yet, it has not been fully recognized and deployed in the manufacturing systems. In this paper, we introduce an explainable, scalable, and flexible federated Bayesian learning framework, \texttt{xFBCI}, designed to explore causality through treatment effect estimation in distributed manufacturing systems. By leveraging federated Bayesian learning, we efficiently estimate posterior of local parameters to derive the propensity score for each client without accessing local private data. These scores are then used to estimate the treatment effect using propensity score matching (PSM). Through simulations on various datasets and a real-world Electrohydrodynamic (EHD) printing data, we demonstrate that our approach outperforms standard Bayesian causal inference methods and several state-of-the-art federated learning benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google