📊 statistics

Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning

Diese Arbeit stellt ein federiertes Framework vor, das es vernetzten industriellen Anlagen ermöglicht, durch den Austausch kompakter latenter Zustände dezentral kontrafaktische Szenarien zu analysieren, ohne dass sensible Rohdaten zentralisiert oder proprietäre lokale Modelle verändert werden müssen.

Ursprüngliche Autoren: Nazal Mohamed, Ayush Mohanty, Nagi Gebraeel

Veröffentlicht 2026-03-19

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Nazal Mohamed, Ayush Mohanty, Nagi Gebraeel

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben ein riesiges, komplexes Netzwerk aus Fabriken, Kraftwerken oder Wasserwerken. Jedes dieser Werkzeuge (nennen wir sie „Kunden") hat viele Sensoren, die ständig Daten liefern. Aber hier ist das Problem: Diese Werke sind wie Nachbarn, die durch Rohre, Stromleitungen und Materialflüsse miteinander verbunden sind. Wenn im Werk A ein Ventil gedreht wird, ändert sich der Druck im Werk B.

Die große Frage lautet: „Was wäre passiert, wenn Werk A das Ventil anders gedreht hätte?"

Das ist eine sogenannte Gegenfaktische Frage (Counterfactual Reasoning). Normalerweise ist es unmöglich, das zu beantworten, ohne die sensiblen Daten aller Werke in der Mitte zu sammeln. Aber die Werke wollen ihre Daten nicht teilen (Datenschutz), und sie haben auch keine Lust, ihre eigenen internen Modelle zu ändern.

Diese Forschungslösung ist wie ein geniales, dezentrales Orakel, das diese Fragen beantwortet, ohne dass jemand seine Geheimnisse verrät. Hier ist die Erklärung in einfachen Bildern:

1. Das Problem: Die verschlossenen Tresore

Stellen Sie sich vor, jeder Kunde hat einen riesigen Tresor voller hochkomplexer Daten (die Sensoren). Niemand darf den Tresor öffnen. Außerdem hat jeder Kunde sein eigenes, proprietäres Modell (eine Art „heimlicher Kochrezept"), das er nicht ändern will.

Früher hätte man alle Tresore in die Mitte gebracht, um ein großes Modell zu bauen. Das ist heute aber verboten (Datenschutz) und technisch zu schwerfällig (zu viele Daten).

2. Die Lösung: Die „Zusammenfassung" statt des Originals

Statt die ganzen Daten zu teilen, macht jeder Kunde etwas Cleveres:
Er nimmt seine riesigen, komplizierten Daten und drückt sie in eine kleine, kompakte Zusammenfassung zusammen.

Die Metapher: Stellen Sie sich vor, statt das ganze Kochbuch zu kopieren, schreibt jeder Chefkoch nur eine kurze Notiz auf einen Zettel: „Der Teig ist heute etwas zäher als sonst."
Diese Notiz (die latente Zustandsdarstellung) enthält die Essenz der Situation, aber keine sensiblen Details.

3. Der zentrale Schiedsrichter (Der Server)

In der Mitte steht ein Server, der wie ein Schiedsrichter oder ein Dirigent agiert.

Er bekommt von allen Kunden nur diese kleinen Zettel (die Zusammenfassungen).
Er sieht nicht die Rohdaten, aber er kann aus den Zetteln lernen, wie die Werke miteinander verbunden sind.
Er berechnet: „Wenn Werk A das Ventil dreht, wie wirkt sich das auf die Notiz von Werk B aus?"

4. Die Magie: Trennung von Ursache und Eigendynamik

Das Schwierige ist: Ein Werk verändert sich auch von selbst (z. B. durch Alterung oder interne Prozesse). Der Server muss unterscheiden können:

Eigendynamik: „Werk B wird einfach langsamer, weil es alt ist."
Einfluss von außen: „Werk B wird langsamer, weil Werk A den Druck erhöht hat."

Die Forscher haben einen Trick entwickelt (eine Art mathematischer „Entwirrungs-Zauber"), der diese beiden Effekte trennt. Der Server lernt genau, welcher Teil der Veränderung von wem kommt.

5. Die Antwort auf die „Was-wäre-wenn"-Frage

Jetzt kommt der Clou:
Wenn ein Manager fragt: „Was wäre mit meinem Werk passiert, wenn Werk A gestern den Druck um 10% gesenkt hätte?"

Der Server simuliert diese Änderung im Kopf (er ändert nur die Notiz von Werk A).
Er berechnet, wie sich das auf die Notiz von Werk B auswirkt.
Er sendet das Ergebnis zurück.
Werk B kann dann sagen: „Ah, wenn A das getan hätte, wäre mein Output um 5% gestiegen."

Das Wichtigste: Niemand hat jemals die echten Daten gesehen. Nur die kleinen, anonymisierten Zettel wurden hin- und hergeschickt.

6. Warum ist das revolutionär?

Datenschutz: Die Daten bleiben zu Hause.
Eigentum: Die Firmen müssen ihre eigenen Modelle nicht ändern.
Skalierbarkeit: Es funktioniert auch mit hunderten von Werken.
Sicherheit: Man kann Katastrophen vorhersagen, bevor sie passieren (z. B. „Wenn wir hier einen Fehler machen, bricht dort alles zusammen").

Zusammenfassung in einem Satz

Diese Methode ist wie ein vertrauliches Telefonspiel, bei dem alle Teilnehmer nur kurze, verschlüsselte Nachrichten austauschen, um gemeinsam zu verstehen, wie sich eine Handlung eines Spielers auf alle anderen auswirken würde – ohne dass jemand seine geheime Strategie verrät.

Es ermöglicht uns, die Zukunft zu simulieren und bessere Entscheidungen zu treffen, auch wenn wir die Daten der anderen nicht besitzen dürfen.

1. Problemstellung

Die Arbeit adressiert die Herausforderung der kausalen Inferenz und kontrafaktischen Reasoning in verteilten industriellen Systemen (z. B. Ölraffinerien, Wasseraufbereitungsnetze), die aus vielen stark gekoppelten Assets (Clients) bestehen.

Herausforderung: Eine Änderung an einem Client (z. B. Ventilöffnung) kann kausal andere Clients beeinflussen. Um Risiken wie Kaskadenausfälle zu managen, müssen Betreiber Fragen beantworten können wie: „Wie würde sich der Output von Client A ändern, wenn Client B seinen Eingangsparameter anders steuern würde?" (Kontrafaktische Frage).
Hindernisse:
1. Datenschutz & Privatsphäre: Rohdaten (hochdimensionale Sensordaten) können aus rechtlichen und geschäftlichen Gründen nicht zentralisiert werden.
2. Proprietäre Modelle: Jeder Client besitzt lokale, proprietäre Modelle, die nicht verändert oder geteilt werden dürfen.
3. Komplexität: Bestehende Methoden wie Granger-Kausalität sind rein prädiktiv und nicht interventional; sie können keine kontrafaktischen Szenarien beantworten. Zudem vermischen sie intrinsische Zustandsdynamiken mit steuerungsbedingten Einflüssen.
4. Bandbreite: Die Übertragung hochdimensionaler Rohdaten ist aufgrund von Kommunikationsbeschränkungen unpraktisch.

2. Methodik

Das Paper schlägt ein federiertes Lernframework vor, das auf linearen zeitinvarianten (LTI) Zustandsraummodellen basiert und die Prinzipien von Pearls „Abduction-Action-Prediction" (AAP)-Rahmenwerk nutzt.

A. Systemmodell

Das System wird als Netzwerk von $M$ Clients modelliert, wobei jeder Client $m$ einen latenten Zustand $h_t^m$ , eine Eingabe (Steuerung) $u_t^m$ und eine Messung $y_t^m$ hat. Die globale Dynamik folgt:
$h_t = A h_{t-1} + B u_{t-1} + w_{t-1}$
$y_t = C h_t + v_t$
Dabei sind $A$ (Zustandsübergang) und $B$ (Eingangs-Matrix) die Schlüsselparameter für kausale Effekte zwischen Clients.

B. Architektur: Client-Server-Interaktion

Das Framework trennt die Aufgaben zwischen Client und Server, um Privatsphäre zu wahren:

Client-Seite (Proprietäres & Augmentiertes Modell):
- Jeder Client behält sein lokales, proprietäres Kalman-Filter-Modell (basierend auf lokalen Blöcken $A_{mm}, B_{mm}, C_{mm}$ ).
- Um kausale Abhängigkeiten zu anderen Clients zu erfassen, wird das Modell augmentiert durch lernbare Parameter $\theta_m$ und $\phi_m$ .
- Diese Parameter lernen, die Effekte der nicht-lokalen Blöcke ( $A_{mn}, B_{mn}$ für $n \neq m$ ) zu kodieren, ohne dass der Client die Daten anderer Clients sieht.
- Der Client berechnet einen rekonstruierten Zustand und sendet nur kompakte latente Zustände und Eingaben an den Server, nicht die Rohdaten $y_t$ .
Server-Seite (Globale Schätzung):
- Der Server empfängt die latenten Zustände und Eingaben von allen Clients.
- Er schätzt explizit die globalen Matrizen für die Zustandsübergänge ( $A_{mn}$ ) und Eingänge ( $B_{mn}$ ) zwischen den Clients.
- Der Server minimiert eine Verlustfunktion, die den Fehler zwischen den vorhergesagten und den empfangenen Zuständen sowie einen Entwirrungs-Term (Disentanglement Penalty) minimiert. Dieser Term erzwingt, dass die endogenen Dynamiken (durch $A$ ) von den exogenen Eingabeeffekten (durch $B$ ) getrennt werden.
Optimierungsschema:
- Es wird ein iteratives Verfahren verwendet. Der Server sendet Gradienten bezüglich der serverseitigen Verlustfunktion zurück an die Clients.
- Die Clients nutzen diese Gradienten, um ihre lokalen Parameter $\theta_m$ und $\phi_m$ zu aktualisieren.
- Durch einen großen Penalty-Parameter $\xi$ wird theoretisch bewiesen, dass die Clients die kausalen Effekte der Eingaben anderer Clients ( $\sum B_{mn} u_n$ ) erfolgreich von den internen Zustandsdynamiken trennen (disentangle).

C. Kontrafaktisches Reasoning

Sobald das Training abgeschlossen ist:

Server: Kann berechnen, wie sich der Zustand eines Clients ändert, wenn ein anderer Client seine Eingabe ändert (basierend auf geschätztem $B_{mn}$ ).
Client: Kann den Effekt auf seine eigene Messung vorhersagen, indem er die aggregierten Einflüsse der anderen Clients über den gelernten Parameter $\phi_m$ nutzt.

3. Wichtige Beiträge

Erste dezentrale kontrafaktische Inferenz: Dies ist das erste Framework, das kontrafaktische Fragen in verteilten Systemen beantwortet, ohne Rohdaten zu teilen oder proprietäre Modelle zu ändern.
Theoretische Herleitung: Formale Ableitung des durchschnittlichen Behandlungseffekts (ATE) im federierten Setting unter Verwendung des AAP-Rahmenwerks.
Entwirrung (Disentanglement): Ein neuartiges Optimierungsverfahren, das nachweislich endogene Zustandsdynamiken von exogenen Steuerungseffekten trennt, was für korrekte kontrafaktische Schlüsse essenziell ist.
Konvergenzbeweis: Es wird bewiesen, dass das dezentrale Framework gegen einen zentralen „Oracle"-Schätzer konvergiert (der Zugriff auf alle Rohdaten hätte), bis auf einen definierten Bias.
Privatsphäre-Garantien: Das Paper bietet eine Differential-Privacy-Analyse, die zeigt, wie durch Rauschen und Clipping der Gradienten und Nachrichten die Privatsphäre der Clients geschützt werden kann.

4. Ergebnisse

Die Autoren validierten das Framework an synthetischen und realen Datensätzen:

Synthetische Daten:
- Die Methode übertrifft proprietäre Modelle (die keine Cross-Client-Abhängigkeiten kennen) deutlich in der Vorhersagegenauigkeit.
- Die Transferfunktionen (Pole, Nullstellen) des geschätzten Modells stimmen gut mit dem Ground Truth überein, was zeigt, dass die kausale Struktur gelernt wurde.
- Die Entwirrungs-Metrik zeigt, dass die Trennung zwischen Zustandsdynamik und Eingabewirkung erfolgreich ist.
- Skalierbarkeitstests zeigen, dass das System auch bei steigender Anzahl von Clients und Messdimensionen stabil bleibt.
Reale Datensätze (HAI & SWaT):
- HAI (Industrielle Steuerung): Ein Testbett für Dampfturbinen und Wasserkraft. Das Modell zeigte schnelle Konvergenz und stabile Verlustwerte.
- SWaT (Wasseraufbereitung): Ein sechsstufiges Testbett. Das Framework konnte auch hier die komplexen Abhängigkeiten zwischen den Stufen modellieren.
- In beiden Fällen war das Modell robuster gegenüber Nicht-Stationarität (z. B. Mittelwertverschiebungen) als rein lokale Modelle.

5. Bedeutung und Fazit

Dieses Paper ist ein signifikanter Fortschritt im Bereich des Federated Learning und der Kausalen KI.

Praktische Relevanz: Es löst das Dilemma zwischen dem Bedarf an systemweiter kausaler Analyse (für Sicherheit und Effizienz) und den strengen Anforderungen an Datenschutz und geistiges Eigentum in der Industrie.
Paradigmenwechsel: Statt nur Korrelationen (wie bei Granger-Kausalität) zu finden, ermöglicht es echtes interventionalles Denken in verteilten Umgebungen.
Zukunftsperspektive: Die Methode legt den Grundstein für autonome, selbstkorrigierende industrielle Netzwerke, die Szenarien simulieren können („Was wäre, wenn..."), ohne dass Datenzentralisierung notwendig ist.

Zusammenfassend bietet das Paper eine mathematisch fundierte, skalierbare und datenschutzkonforme Lösung, um die kausale Struktur komplexer industrieller Systeme zu verstehen und zu nutzen.