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

Aquí presento un resumen técnico detallado del artículo "Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning" (Aprendizaje Federado de Representación Causal en Sistemas de Espacio de Estados para Razonamiento Contrafactual Descentralizado).

1. El Problema

El artículo aborda un desafío crítico en los sistemas industriales modernos (como refinerías de petróleo, redes de tratamiento de agua y plantas de procesos distribuidos): cómo predecir el impacto causal de intervenciones en un activo sobre otros activos interconectados, sin centralizar los datos.

• Interdependencia Física: Los activos (clientes) están acoplados físicamente. Un cambio en el control de un cliente (ej. ajuste de una válvula) puede propagarse causalmente a otros, afectando el rendimiento y la seguridad de toda la red.
• Limitaciones de Datos:
  • Privacidad y Propiedad: Los datos de los sensores son de alta dimensión, privados y no pueden compartirse debido a regulaciones y secretos comerciales.
  • Modelos Propietarios: Cada cliente mantiene modelos locales que no pueden ser modificados o reentrenados directamente por un tercero.
  • Ancho de Banda: La transmisión de datos crudos de alta dimensión es inviable.
• Limitación de los Métodos Actuales: Las técnicas tradicionales como la Causalidad de Granger son predictivas, no intervencionales. No pueden responder preguntas contrafactuales del tipo: "¿Cómo cambiaría mi salida si el cliente vecino modificara su entrada de control?". Además, confunden la dinámica intrínseca del estado con las influencias impulsadas por el control.

2. Metodología Propuesta

Los autores proponen un marco de aprendizaje federado diseñado específicamente para sistemas de espacio de estados lineales e invariantes en el tiempo (LTI). El objetivo es aprender representaciones causales que disientan la dinámica interna de las influencias externas, permitiendo el razonamiento contrafactual descentralizado.

Arquitectura del Sistema

1. Nivel de Cliente (Modelo Propietario y Augmentado):

   • Cada cliente posee un modelo propietario (un filtro de Kalman) que utiliza sus matrices locales conocidas ($A_{mm}, B_{mm}, C_{mm}$) para estimar su estado interno basado en sus propias mediciones.
   • Se introduce un modelo cliente aumentado que añade parámetros aprendibles ($\theta_m, \phi_m$) al modelo propietario. Estos parámetros capturan las interdependencias con otros clientes sin acceder a sus datos crudos.
   • El cliente mapea observaciones de alta dimensión a estados latentes de baja dimensión y envía solo estas estimaciones de estado y entradas de control al servidor.

2. Nivel del Servidor (Estimación Global):

   • El servidor actúa como un intermediario que recibe las estimaciones de estado latente de todos los clientes.
   • El servidor estima explícitamente las matrices globales de transición de estado ($A_{mn}$) y de entrada ($B_{mn}$) para $n \neq m$ (los bloques fuera de la diagonal que representan las interconexiones).
   • El servidor no tiene acceso a los datos crudos ($y_t$), solo a las estimaciones de estado comprimidas.

3. Mecanismo de Entrenamiento y Desentrelazado:

   • Se utiliza un esquema de optimización iterativa. El servidor calcula una función de pérdida basada en la discrepancia entre el estado predicho globalmente y el estado reportado por el cliente.
   • Desentrelazado (Disentanglement): Se introduce un término de penalización en la pérdida del servidor ($\xi$) para forzar la separación entre:
     • La propagación endógena de estados pasados (dinámica interna).
     • Los efectos exógenos de las entradas de control de otros clientes.
   • Los gradientes de la pérdida del servidor se envían de vuelta a los clientes para actualizar sus parámetros aumentados ($\theta_m, \phi_m$), permitiéndoles aprender las influencias cruzadas de forma implícita.

4. Razonamiento Contrafactual:

   • Utilizando el marco Abducción-Acción-Predicción de Pearl, el sistema permite calcular el Efecto Promedio del Tratamiento (ATE).
   • Servidor: Puede predecir cómo cambiaría el estado latente de un cliente si otro cambiara su control.
   • Cliente: Puede predecir cómo cambiaría su propia medición si las influencias agregadas de otros clientes cambiaran, utilizando sus parámetros aprendidos.

3. Contribuciones Clave

• Razonamiento Contrafactual Descentralizado: Es el primer trabajo que habilita la inferencia contrafactual en sistemas de espacio de estados distribuidos sin compartir datos crudos ni modificar modelos propietarios.
• Marco Teórico Formal: Derivan formalmente el ATE en un entorno federado utilizando la estructura de modelos causales estructurales (SCM) sobre sistemas LTI.
• Desentrelazado Probado: Diseñan un esquema de optimización que garantiza teóricamente la separación de la dinámica autoregresiva de las entradas exógenas, un requisito fundamental para la causalidad.
• Convergencia y Privacidad:
  • Demuestran que el marco federado converge a un "oráculo centralizado" (un modelo con acceso total a todos los datos) bajo ciertas condiciones.
  • Proporcionan garantías de Privacidad Diferencial, cuantificando el ruido necesario para proteger los datos de los clientes durante la comunicación de estados y gradientes.
• Identificabilidad Causal: Abordan el problema de la identificabilidad en sistemas LTI, demostrando que aunque los parámetros estructurales no son únicos, la función de transferencia (que codifica la causalidad) sí lo es y es aprendible.

4. Resultados Experimentales

Los autores validaron su enfoque mediante experimentos sintéticos y con conjuntos de datos del mundo real (HAI y SWaT).

• Datos Sintéticos:
  • El modelo aumentado superó consistentemente al modelo propietario aislado en la predicción de errores.
  • Se demostró la convergencia de la pérdida global y la reducción de la métrica de desentrelazado ($\delta_d$), confirmando que los clientes aprendieron a separar las influencias cruzadas.
  • El análisis de la función de transferencia mostró que el modelo descentralizado preservó la estructura dinámica estable (polos dentro del círculo unitario) y la respuesta en frecuencia del sistema real.
• Datos del Mundo Real (HAI y SWaT):
  • Se aplicó el método a datos de una planta de generación de energía y una planta de tratamiento de agua.
  • El modelo mostró una convergencia rápida y estable en escenarios reales, manteniendo bajos los residuos de predicción y las restricciones de desentrelazado.
  • Se demostró escalabilidad al variar la dimensión de las mediciones y el número de clientes.

5. Significado e Impacto

Este trabajo es fundamental para la gestión de sistemas ciberfísicos industriales y la seguridad operativa:

1. Toma de Decisiones Proactiva: Permite a los operadores simular escenarios "¿qué pasaría si...?" (ej. "¿Qué pasa si cierro esta válvula en la planta A?") sin riesgo físico y sin violar la privacidad de los datos de otras plantas.
2. Resiliencia ante Fallos en Cascada: Al entender las dependencias causales entre activos, se pueden diseñar estrategias para mitigar fallos en cascada antes de que ocurran.
3. Viabilidad de la Colaboración Industrial: Resuelve el dilema de la privacidad vs. utilidad. Las empresas pueden colaborar para mejorar la eficiencia de la red sin revelar sus datos sensibles ni sus modelos internos.
4. Avance en IA Causal Federada: Establece un nuevo estándar para la aplicación de la inferencia causal en entornos distribuidos, superando las limitaciones de los métodos puramente predictivos como la Causalidad de Granger.

En resumen, el artículo presenta una solución teóricamente sólida y empíricamente validada para aprender la estructura causal de redes industriales complejas de manera descentralizada, habilitando un nuevo nivel de inteligencia operativa segura y privada.