Towards Uncertainty-Aware Federated Granger Causal Learning

Resumen Técnico: Hacia un Aprendizaje de Causalidad Granger Federado Consciente de la Incertidumbre

Enunciado del Problema
En sistemas industriales distribuidos, como redes eléctricas inteligentes y cadenas de suministro, los subsistemas interactúan mediante dependencias físicas y operativas estrechamente acopladas, formando una estructura causal descentralizada. Identificar estas interacciones causales entre clientes (causalidad Granger) es crítico para el diagnóstico de fallos y la mitigación de riesgos. Sin embargo, las restricciones de soberanía de datos impiden el intercambio de datos de series temporales sin procesar entre clientes. Aunque se ha introducido la Causalidad Granger Federada (FedGC) para recuperar estas interacciones sin compartir datos, los métodos existentes devuelven únicamente estimaciones puntuales deterministas. Esta falta de incertidumbre calibrada deja a los operadores sin una base principista para distinguir interacciones genuinas entre clientes de aristas espurias, particularmente en presencia de efectos de muestras finitas y ruido heterogéneo.

Metodología
El artículo propone un marco de FedGC Consciente de la Incertidumbre que caracteriza cómo se propaga la incertidumbre a través del bucle de retroalimentación acoplado cliente-servidor de la arquitectura FedGC. La metodología se basa en un modelo de espacio de estados lineal e invariante en el tiempo (LTI) donde los clientes observan características particionadas verticalmente.

1. Descomposición de la Incertidumbre: Los autores dividen los elementos estocásticos en dos fuentes:

   • Incertidumbre Aleatoria: Ruido irreducible inherente a los datos del cliente (ruido de medición y de proceso).
   • Incertidumbre Epistémica: Incertidumbre que surge de la aleatoriedad de los parámetros del modelo (priors iniciales para las matrices de aumento del cliente $\theta_m$ y las matrices causales del servidor $\hat{A}_{mn}$).

2. Análisis de Propagación: La contribución técnica central es la derivación de recurrencias de covarianza en forma cerrada que rastrean la propagación de la incertidumbre a través de cuatro canales distintos:

   • Dentro del Cliente: Evolución de la varianza de los parámetros del cliente ($\Sigma^t_{\theta_m}$) y la varianza del estado ($\Sigma^t_{h_m}$).
   • Dentro del Servidor: Evolución de la varianza de los parámetros del servidor ($\Sigma^t_{A_{mn}}$).
   • Cliente a Servidor: Propagación de la incertidumbre del estado del cliente al servidor.
   • Servidor a Cliente: Propagación de la incertidumbre del gradiente del servidor de vuelta al cliente.

   Crucialmente, el análisis identifica cuatro términos de covarianza cruzada previamente no reconocidos ($\Omega^t_m, \Lambda^t_m, \Gamma^t_{mn}, \Psi^t_{mn}$) que acoplan el ruido de los datos y las incertidumbres de los parámetros a través de la arquitectura.

3. Caracterización del Estado Estacionario: Bajo condiciones de estabilidad leves (radio espectral de las matrices de ganancia < 1), los autores demuestran que el sistema converge a un estado estacionario. Un hallazgo teórico central es que la incertidumbre en estado estacionario depende exclusivamente de las estadísticas de los datos del cliente (incertidumbre aleatoria) y es independiente de los priores epistémicos iniciales. A medida que el entrenamiento converge, la influencia de la aleatoriedad inicial de los parámetros decae, dejando el ruido de los datos como el único motor del comportamiento en estado estacionario.

4. Utilidad Descendente: Aprovechando la covarianza asintótica $\Sigma^\infty_{A_{mn}}$, los autores construyen un procedimiento de prueba de hipótesis post-entrenamiento. Esta prueba evalúa la significancia de las aristas inferidas ($H_0: A_{mn} = 0$) utilizando las desviaciones estándar derivadas, permitiendo la poda estadística de aristas espurias.

Contribuciones Clave

• Fundamento Teórico: La primera formalización de la cuantificación de la incertidumbre en el aprendizaje federado con particionamiento vertical para sistemas dinámicos acoplados, distinguiendo explícitamente entre efectos aleatorios y epistémicos.
• Recurrencias en Forma Cerrada: Derivación de expresiones explícitas para la propagación de la incertidumbre, identificando cuatro nuevos términos de covarianza cruzada que gobiernan la interacción entre los datos del cliente, los parámetros del cliente y los parámetros del servidor.
• Garantías de Convergencia: Establecimiento de condiciones de convergencia basadas en el radio espectral que producen soluciones en forma cerrada para las varianzas en estado estacionario tanto en los nodos del cliente como en los del servidor.
• Independencia de los Priors: Demostración de que la incertidumbre asintótica está determinada únicamente por la distribución de los datos del cliente, haciendo que la incertidumbre del modelo final sea independiente de la inicialización.
• Selección Estadística de Aristas: Desarrollo de un marco de prueba de hipótesis que utiliza la incertidumbre derivada para distinguir aristas causales genuinas del ruido, abordando una limitación clave de la FedGC determinista.

Resultados Experimentales
El marco fue validado en conjuntos de datos sintéticos y tres conjuntos de datos industriales del mundo real: HAI (ICS Aumentado basado en HIL), TEP (Proceso Tennessee Eastman) y SMD (Conjunto de Datos de Máquina de Servidor).

• Validación Teórica: Los experimentos confirmaron que la propagación de la incertidumbre predicha coincide con la dinámica teórica a través de diversos regímenes de ruido. Los resultados demostraron que las covarianzas en estado estacionario no se ven afectadas por la varianza de los priores iniciales de los parámetros, validando la independencia de la incertidumbre epistémica.
• Descubrimiento Causal: En datos sintéticos con verdad fundamental conocida, la FedGC Consciente de la Incertidumbre redujo significativamente los Falsos Positivos (FP) en comparación con la "FedGC Vanilla" (que recupera todas las aristas verdaderas pero predice muchas espurias), manteniendo al mismo tiempo cero Falsos Negativos. Superó a líneas base como FedPC, FedDAG y NOTEARS-ADMM, que no lograron modelar eficazmente las interacciones entre clientes.
• Análisis de Causa Raíz: En conjuntos de datos del mundo real, el método propuesto mejoró la precisión de la localización de las causas raíz de las anomalías (medida por AC@k) en comparación con las líneas base, demostrando la utilidad práctica de los grafos causales inferidos.

Significado y Afirmaciones
El artículo afirma proporcionar el primer fundamento teórico para analizar las incertidumbres en el aprendizaje de causalidad Granger federado. Su significado principal radica en transformar la FedGC de una herramienta de estimación puntual determinista en un marco estadísticamente principista. Al demostrar que la incertidumbre en estado estacionario está impulsada únicamente por las características de los datos y no por la inicialización, los autores proporcionan una base defendible para que los operadores confíen o rechacen las interacciones entre clientes inferidas. El mecanismo de prueba de hipótesis propuesto ofrece un método riguroso para filtrar aristas espurias, abordando directamente el desafío de identificar estructuras causales fiables en entornos con silos de datos y particionamiento vertical.

Limitaciones
Los autores reconocen que los resultados teóricos dependen de dinámicas lineales invariantes en el tiempo y de suposiciones de ruido gaussiano. Aunque se discuten estructuralmente extensiones a modelos no lineales (mediante EKF y Procesos Gaussianos), las garantías rigurosas de convergencia y la propiedad de estado estacionario "solo aleatorio" no se han establecido formalmente para el régimen no lineal. Además, se asume la independencia de los parámetros del servidor entre filas de bloques, lo cual podría no cumplirse en sistemas con confusores latentes compartidos. Finalmente, la prueba de hipótesis depende de la covarianza asintótica, y no se han derivado límites de muestras finitas que cuantifiquen la brecha entre la incertidumbre durante el entrenamiento y la incertidumbre en estado estacionario.