📊 statistics

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

यह शोध पत्र स्टेट-स्पेस सिस्टम में कॉज़ल रिप्रेजेंटेशन लर्निंग के लिए एक फेडरेटेड फ्रेमवर्क प्रस्तावित करता है जो उच्च-आयामी निजी डेटा को संक्षिप्त लेटेंट स्टेट्स में मैप करके परस्पर निर्भर औद्योगिक क्लाइंट्स के बीच विकेंद्रीकृत काउंटरफैक्चुअल रीजनिंग को सक्षम बनाता है, जिससे कच्चे डेटा को केंद्रीकृत किए बिना या मालिकाना स्थानीय मॉडल को संशोधित किए बिना वैकल्पिक कंट्रोल इनपुट्स के तहत क्रॉस-क्लाइंट आउटपुट परिवर्तनों की भविष्यवाणी करना संभव हो जाता है।

मूल लेखक: Nazal Mohamed, Ayush Mohanty, Nagi Gebraeel

प्रकाशित 2026-03-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nazal Mohamed, Ayush Mohanty, Nagi Gebraeel

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक विशाल, जटिल कारखाना है जहाँ दर्जनों अलग-अलग मशीनें (जिन्हें हम "क्लाइंट्स" कह सकते हैं) पाइपों, कन्वेयर बेल्ट और बिजली के तारों से जुड़ी हुई हैं। यदि मशीन A अपनी गति बढ़ाती है, तो यह मशीन B को ओवरहीट कर सकती है या मशीन C की गति धीमी कर सकती है।

समस्या:
कारखाने के प्रबंधकों को जानना है: "अगर हम मशीन A को धीमा करने के लिए कहें, तो मशीन C का क्या होगा?" इसे काउंटरफैक्चुअल रीजनिंग (counterfactual reasoning - "क्या होगा अगर" के बारे में सोचना) कहा जाता है।

हालाँकि, इसमें तीन बड़ी बाधाएँ हैं:

गोपनीयता (Privacy): प्रत्येक मशीन अलग कंपनी की है। वे एक-दूसरे के गुप्त ब्लूप्रिंट या कच्चे सेंसर डेटा (raw sensor data) को साझा नहीं कर सकते।
वॉल्यूम (Volume): डेटा बहुत विशाल है (सेंसर रीडिंग के टेराबाइट्स)। सारा डेटा एक केंद्रीय कंप्यूटर पर भेजना इंटरनेट को जाम कर सकता है।
मालिकाना मॉडल (Proprietary Models): प्रत्येक कंपनी का अपना "ब्लैक बॉक्स" AI है जो यह भविष्यवाणी करता है कि उसकी मशीन कैसे व्यवहार करेगी। वे इस AI को बदल नहीं सकते; उन्हें बस इसका उपयोग करना है।

समाधान: एक फेडरेटेड "अनुवादक" प्रणाली (A Federated "Translator" System)
इस पेपर के लेखकों ने एक ऐसी प्रणाली बनाई है जो इन मशीनों को एक-दूसरे का निजी डेटा देखे बिना "क्या होगा अगर" वाले सवालों के जवाब देने की अनुमति देती है। इसे ऐसे समझें जैसे पड़ोसियों का एक समूह यह पता लगाने की कोशिश कर रहा है कि एक घर में आए तूफान का दूसरों पर क्या प्रभाव पड़ेगा, बिना एक-दूसरे को अपने घर में आमंत्रित किए।

यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करके यहाँ दिया गया है:

1. "सारांश नोट" (Latent States)

प्रत्येक मशीन हर सेंसर रीडिंग की 100 पन्नों की रिपोर्ट भेजने के बजाय (जो बहुत बड़ी और निजी है), अपने वर्तमान राज्य का एक वाक्य का सारांश लिखती है।

उपमा: अपने मित्र को अपनी पूरी डायरी भेजने के बजाय, आप एक टेक्स्ट भेजते हैं कि "मैं थोड़ा थका हुआ और भूखा महसूस कर रहा हूँ।"
इस पेपर में, इन सारांशों को लेटेंट स्टेट्स (latent states) कहा जाता है। ये छोटे, लो-डायमेंशनल नंबर हैं जो मशीन के व्यवहार के सार को पकड़ते हैं।

2. "केंद्रीय कोच" (The Server)

एक केंद्रीय कंप्यूटर (सर्वर) होता है जो एक कोच की तरह कार्य करता है। वह कच्चा डेटा या गुप्त डायरियाँ नहीं देखता। उसे केवल सभी मशीनों से "एक वाक्य के सारांश" प्राप्त होते हैं।

कोच का काम खेल के नियम समझना है: "ठीक है, जब मशीन A चलती है, तो मशीन B आमतौर पर इस तरह प्रतिक्रिया करती है।"
कोच एक नक्शा बनाता है कि मशीनें एक-दूसरे को कैसे प्रभावित करती हैं (कॉज़ल स्ट्रक्चर/causal structure)।

3. "जादुई अनुवाद" (Disentanglement)

यही सबसे चतुर हिस्सा है। मशीनों को दो चीजों को अलग करने की आवश्यकता है:

आंतरिक लय (Internal Rhythm): मशीन अपने आप कैसे चलती है (जैसे एक धड़कन)।
बाहरी धक्के (External Nudges): जब अन्य मशीनें उसे धक्का देती हैं, तो वह कैसे प्रतिक्रिया करती है।

प्रणाली एक विशेष प्रशिक्षण पद्धति का उपयोग करती है ताकि प्रत्येक मशीन इन दो प्रभावों को अलग करना सीख सके।

उपमा: कल्पना कीजिए कि आप नृत्य कर रहे हैं। आपको यह जानने की आवश्यकता है कि आपके कौन से मूव आपकी अपनी शैली (आंतरिक) हैं और कौन से केवल आपके डांस पार्टनर के कदमों के प्रति आपकी प्रतिक्रिया (बाहरी) हैं। यह प्रणाली मशीनों को ठीक यही करने के लिए प्रशिक्षित करती है।

4. "क्या होगा अगर" की भविष्यवाणी (The "What-If" Prediction)

एक बार जब प्रणाली प्रशिक्षित हो जाती है, तो जादू होता है:

सर्वर सिम्युलेट कर सकता है: "यदि मशीन A अपनी गति बदलती है, तो पूरे नेटवर्क की प्रतिक्रिया क्या होगी?"
व्यक्तिगत मशीन पूछ सकती है: "यदि मेरा पड़ोसी अपनी सेटिंग्स बदलता है, तो मेरे आउटपुट में क्या बदलाव आएगा?"

वे अपने निजी डेटा या अपने आंतरिक गुप्त मॉडल को बदले बिना इन सवालों के जवाब दे सकते हैं। वे बस छोटे "सारांश नोट" और कोच द्वारा सीखे गए "खेल के नियम" साझा करते हैं।

यह एक बड़ी बात क्यों है?

गोपनीयता सर्वोपरि है: कोई भी किसी दूसरे का कच्चा डेटा नहीं देखता। यह एक पहेली को सुलझाने जैसा है जहाँ हर कोई केवल अपने टुकड़े का आकार साझा करता है, न कि उस पर बनी पूरी तस्वीर।
दक्षता (Efficiency): एक वीडियो फ़ाइल (कच्चा डेटा) भेजने के बजाय एक टेक्स्ट मैसेज (सारांश) भेजना बहुत तेज़ है।
वास्तविक दुनिया में उपयोग: लेखकों ने वास्तविक औद्योगिक डेटा (जैसे जल उपचार संयंत्र और पावर ग्रिड) और सिंथेटिक डेटा पर इसका परीक्षण किया। यह पुराने तरीकों से बेहतर रहा जो गोपनीयता को नहीं संभाल सकते थे या "क्या होगा अगर" वाले सवालों के जवाब नहीं दे सकते थे।

निष्कर्ष (The Bottom Line)

यह पेपर हमें एक ऐसा तरीका देता है जिससे एक नेटवर्क से जुड़ी रहस्यमयी, भारी डेटा वाली मशीनें यह समझ सकें कि वे एक-दूसरे को कैसे प्रभावित करती हैं। यह उन अजनबियों के समूह को एक साझा भाषा देने जैसा है जो अपने व्यक्तिगत रहस्यों को प्रकट किए बिना अपने जुड़े हुए सिस्टम के भविष्य की भविष्यवाणी कर सकते हैं।

यहाँ शोध पत्र "Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र जटिल, भौगोलिक रूप से बिखरी हुई औद्योगिक प्रणालियों (जैसे तेल रिफाइनरी, जल उपचार नेटवर्क, पावर ग्रिड) में एक महत्वपूर्ण चुनौती को संबोधित करता है जहाँ संपत्तियाँ (clients) भौतिक प्रक्रियाओं और नियंत्रण इनपुट के माध्यम से आपस में मजबूती से जुड़ी होती हैं।

मूल प्रश्न: यदि एक क्लाइंट अपने नियंत्रण इनपुट (control input) को बदल देता है, तो दूसरे क्लाइंट के आउटपुट में क्या परिवर्तन होगा? इसके लिए काउंटरफैक्चुअल रीजनिंग (counterfactual reasoning) की आवश्यकता होती है (जैसे, "यदि अपस्ट्रीम पंप प्रवाह कम कर दे, तो मेरी स्थिरता पर क्या प्रभाव पड़ेगा?")।
बाधाएँ (Constraints):
1. डेटा गोपनीयता और बैंडविड्थ: क्लाइंट का डेटा उच्च-आयामी (high-dimensional), निजी और ट्रांसमिट करने में महंगा होता है। गोपनीयता नियमों और बैंडविड्थ सीमाओं के कारण कच्चे डेटा (raw data) को केंद्रीकृत करना अव्यवहार्य है।
2. मालिकाना मॉडल (Proprietary Models): क्लाइंट्स के पास अपने स्वयं के डेटा पर प्रशिक्षित स्थानीय, मालिकाना मॉडल (जैसे, कलमन फिल्टर) होते हैं जिन्हें बदला या साझा नहीं किया जा सकता है।
3. मौजूदा विधियों की सीमाएँ: क्लासिकल टूल्स जैसे ग्रेंजर कॉज़ैलिटी (Granger Causality) भविष्य कहने वाले (predictive) होते हैं, इंटरवेंशनल (interventional) नहीं, और "क्या-होगा-यदि" (what-if) वाले प्रश्नों का उत्तर नहीं दे सकते। मौजूदा कॉज़ल डिस्कवरी विधियाँ अक्सर केंद्रीकृत डेटा एक्सेस मानती हैं या आंतरिक गतिकी (intrinsic dynamics) को नियंत्रण-संचालित प्रभावों से अलग करने में विफल रहती हैं।

2. कार्यप्रणाली (Methodology)

लेखक लीनियर टाइम-इनवेरिएंट (LTI) स्टेट-स्पेस सिस्टम्स के लिए विशेष रूप से तैयार किया गया एक फेडरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करते हैं। इसका लक्ष्य बिना कच्चा डेटा साझा किए या स्थानीय मालिकाना मॉडल को बदले, वैश्विक कॉज़ल संरचना (विशेष रूप से क्रॉस-क्लाइंट निर्भरता) को सीखना है।

सिस्टम मॉडल (System Model)

सिस्टम को एक मल्टी-क्लाइंट LTI स्टेट-स्पेस सिस्टम के रूप में मॉडल किया गया है:
$h_t = A h_{t-1} + B u_{t-1} + w_{t-1}$
$y_t = C h_t + v_t$
जहाँ $h$ लेटेंट स्टेट (latent state) है, $u$ कंट्रोल इनपुट है, और $y$ ऑब्जर्वेशन (observation) है। मैट्रिसेस $A$ (स्टेट ट्रांजिशन) और $B$ (इनपुट) में डायगोनल ब्लॉक्स (स्थानीय गतिकी) और ऑफ-डायगोनल ब्लॉक्स (क्रॉस-क्लाइंट कॉज़ल डिपेंडेंसी) दोनों शामिल हैं।

फेडरेटेड आर्किटेक्चर (The Federated Architecture)

इस फ्रेमवर्क में दो संस्थाएँ शामिल हैं: क्लाइंट्स (जिनके पास स्थानीय डेटा और मालिकाना मॉडल है) और एक सेंट्रल सर्वर (जो लर्निंग को समन्वित करता है)।

क्लाइंट-साइड (ऑगमेंटेड मॉडल):
- क्लाइंट अपना मालिकाना मॉडल (स्थानीय मैट्रिसेस $A_{mm}, B_{mm}, C_{mm}$ का उपयोग करने वाला एक स्थानीय कलमन फिल्टर) बनाए रखता है, जो एक परिष्कृत स्टेट एस्टीमेट $\hat{h}_{m,c}$ उत्पन्न करता है।
- एक ऑगमेंटेड मॉडल पेश किया जाता है जिसमें सीखने योग्य पैरामीटर्स $\theta_m$ $θ_{m}$ और $\phi_m$ $ϕ_{m}$ होते हैं।
  - $\theta_m$ स्थानीय मापों के आधार पर स्टेट एस्टीमेट को एडजस्ट करता है।
  - $\phi_m$ एक बायस टर्म के रूप में कार्य करता है जो अन्य क्लाइंट्स के इनपुट्स के एकत्रित प्रभाव को कैप्चर करता है।
- क्लाइंट्स केवल लो-डायमेंशनल लेटेंट स्टेट्स और इनपुट्स सर्वर को भेजते हैं, न कि कच्चा उच्च-आयामी सेंसर डेटा।
सर्वर-साइड (ग्लोबल एस्टीमेशन):
- सर्वर सभी क्लाइंट्स से लो-डायमेंशनल स्टेट्स को एकत्रित करता है।
- यह ग्लोबल मैट्रिसेस के ऑफ-डायगोनल ब्लॉक्स (अर्थात $m \neq n$ के लिए $A_{mn}$ और $B_{mn}$ ) को स्पष्ट रूप से एस्टीमेट करता है, जो क्लाइंट्स के बीच कॉज़ल लिंक्स का प्रतिनिधित्व करते हैं।
- सर्वर एक लॉस फंक्शन की गणना करता है जिसमें एक डिसेंटैंगलमेंट पेनल्टी (disentanglement penalty) शामिल होती है। यह पेनल्टी सिस्टम को एंडोजेनस डायनेमिक्स (endogenous dynamics) के प्रभावों को एक्सोजेनस कंट्रोल-ड्रिवन प्रभावों से अलग करने के लिए मजबूर करती है।
ट्रेनिंग लूप (Training Loop):
- सर्वर ग्लोबल लॉस के ग्रेडिएंट्स क्लाइंट्स को वापस भेजता है।
- क्लाइंट्स अपने स्थानीय रिकंस्ट्रक्शन लॉस और सर्वर के ग्रेडिएंट्स के संयोजन का उपयोग करके अपने स्थानीय पैरामीटर्स ( $\theta_m, \phi_m$ ) को अपडेट करते हैं।
- यह पुनरावृत्ति प्रक्रिया क्लाइंट्स को क्रॉस-क्लाइंट निर्भरताओं को स्पष्ट रूप से सीखने की अनुमति देती है जबकि सर्वर स्ट्रक्चरल मैट्रिसेस को स्पष्ट रूप से सीखता है।

काउंटरफैक्चुअल रीजनिंग (Counterfactual Reasoning)

पर्ल (Pearl) के एब्डक्शन-एक्शन-प्रेडिक्शन (AAP) फ्रेमवर्क का उपयोग करते हुए:

सर्वर: सीखे गए $B_{mn}$ का उपयोग करके हस्तक्षेप (intervention) $do(u_n = u')$ के दिए गए होने पर भविष्यवाणिय काउंटरफैकल स्टेट परिवर्तन $h_m$ की भविष्यवाणी कर सकता है।
क्लाइंट: सीखा गया $\phi_m$ , जो अन्य क्लाइंट्स के एकत्रित कॉज़ल प्रभावों को एनकोड करता है, का लाभ उठाकर काउंटरफैक्चुअल आउटपुट परिवर्तन $y_m$ की भविष्यवाणी कर सकता है।

3. मुख्य योगदान (Key Contributions)

पहला विकेंद्रीकृत काउंटरफैक्चुअल फ्रेमवर्क: यह पहला कार्य है जो बिना कच्चा डेटा केंद्रीकृत किए या स्थानीय मालिकाना मॉडल को बदले, स्टेट-स्पेस सिस्टम में विकेंद्रीकृत काउंटरफैक्चुअल रीजनिंग को सक्षम बनाता है।
कॉज़ल डिसेंटैंगलमेंट (Causal Disentanglement): लेखकों ने एक इटरेटिव ऑप्टिमाइजेशन स्कीम डिजाइन की है जो प्रमाणतः ऑटोरेग्रेसिव डायनेमिक्स (एंडोजेनस) को कंट्रोल-ड्रिवन प्रभावों (एक्सोजेनस) से अलग करती है, जो वैध कॉज़ल इंफरेंस के लिए एक पूर्व शर्त है।
ओरेकल की ओर अभिसरण (Convergence to Oracle): शोध पत्र यह सिद्ध करता है कि विकेंद्रीकृत फ्रेमवर्क एक विशिष्ट बायस टर्म तक एक सेंट्रलाइज्ड ओरेकल (एक मॉडल जिसके पास सभी कच्चे डेटा तक पहुंच है) की ओर अभिसरित होता है, जो सैद्धांतिक सुदृढ़ता सुनिश्चित करता है।
प्राइवेसी गारंटी: फ्रेमवर्क डिफरेंशियल प्राइवेसी (DP) को शामिल करता है। लेखक संचारित संदेशों और ग्रेडिएंट्स की संवेदनशीलता (sensitivity) पर सैद्धांतिक सीमाएं प्रदान करते हैं, यह प्रदर्शित करते हुए कि क्लाइंट डेटा की सुरक्षा करते हुए शोर (noise) कैसे जोड़ा जा सकता है।
ट्रांसफर फंक्शन आइडेंटिफिकेशन: फ्रेमवर्क स्पष्ट रूप से सिस्टम के ट्रांसफर फंक्शन को सीखता है (जो कॉज़ल प्रभावों को एनकोड करता है), जो लेटेंट स्टेट रीपैरामीट्राइजेशन के प्रति अपरिवर्तनीय है, जिससे सीखा गया कॉज़ल स्ट्रक्चर मजबूत रहता है।

4. परिणाम (Results)

लेखकों ने सिंथेटिक और वास्तविक दुनिया के औद्योगिक डेटासेट पर अपने दृष्टिकोण को मान्य किया।

सिंथेटिक डेटा:
- अभिसरण (Convergence): ग्लोबल लॉस और क्लाइंट रेसिडुअल्स (residuals) इटरेशन के साथ कम होते गए, जो प्रोप्रायटरी-ओनली बेसलाइन से बेहतर प्रदर्शन करते हैं।
- डिसेंटैंगलमेंट: पेनल्टी टर्म ने $A_{mn}$ और $B_{mn}$ के प्रभावों को सफलतापूर्वक अलग किया, जैसा कि क्लाइंट पैरामीटर्स के वास्तविक एग्रीगेटेड कॉज़ल प्रभावों की ओर अभिसरण से प्रमाणित हुआ।
- स्केलेबिलिटी: विधि क्लाइंट्स और मेजरमेंट डायमेंशन की संख्या बढ़ने के साथ स्थिर रही, हालांकि उच्च आयामों के साथ प्रदर्शन थोड़ा कम हुआ (जो अनुमान भिन्नता के कारण अपेक्षित है)।
- ट्रांसफर फंक्शन: अनुमानित पोल्स (poles) और ज़ीरोस (zeros) ग्राउंड ट्रुथ के करीब थे, जो पुष्टि करता है कि मॉडल ने अंतर्निहित स्थिर गतिकी को कैप्चर किया।
रियल-वर्ल्ड डेटासेट्स (HAI और SWaT):
- HAI (इंडस्ट्रियल कंट्रोल सिस्टम): मॉडल ने 4-प्रोसेस स्टीम टर्बाइन सिस्टम को सफलतापूर्वक मॉडल किया। इसने तेज़ अभिसरण और कम रेसिडुअल्स दिखाया, जो इंटर-प्रोसेस निर्भरता को प्रभावी ढंग से कैप्चर करता है।
- SWaT (वॉटर ट्रीटमेंट प्लांट): 6-स्टेज वॉटर ट्रीटमेंट प्लांट पर लागू किया गया। मॉडल ने स्थिर अभिसरण और क्रॉस-स्टेज इंटरवेंशन के बारे में तर्क करने की क्षमता प्रदर्शित की।
- मजबूती (Robustness): फेडरेटेड मॉडल प्रोप्रायटरी लोकल मॉडल्स की तुलना में नॉन-स्टेशनरी शिफ्ट्स (मीन शिफ्ट्स) के प्रति बेहतर मजबूती दिखाते हैं।

5. महत्व (Significance)

यह शोध पत्र कॉज़ल इंफरेंस, फेडरेटेड लर्निंग, और इंडस्ट्रियल कंट्रोल सिस्टम्स (ICS) के संगम में एक महत्वपूर्ण योगदान देता है:

सक्रिय जोखिम प्रबंधन (Proactive Risk Management): यह ऑपरेटरों को डेटा गोपनीयता या बौद्धिक संपदा से समझौता किए बिना "क्या-होगा-यदि" विश्लेषण (जैसे, कैस्केडिंग विफलता जोखिमों का आकलन करना) करने में सक्षम बनाता है।
स्केलेबिलिटी: उच्च-आयामी सेंसर स्ट्रीम के बजाय केवल लो-डायमेंशनल लेटेंट स्टेट्स का आदान-प्रदान करके, यह फ्रेमवर्क संपत्तियों के बड़े नेटवर्क के लिए स्केलेबल है।
सैद्धांतिक कठोरता: यह व्यावहारिक फेडरेटेड लर्निंग और कठोर कॉज़ल थ्योरी के बीच के अंतर को पाटता है, जो अभिसरण प्रमाण और प्राइवेसी गारंटी प्रदान करता है जो अक्सर एप्लाइड इंडस्ट्रियल AI में गायब होते हैं।
व्यावहारिक प्रयोज्यता: HAI और SWaT जैसे वास्तविक औद्योगिक डेटासेट्स पर सत्यापन यह दर्शाता है कि यह दृष्टिकोण केवल सैद्धांतिक नहीं है बल्कि उन महत्वपूर्ण बुनियादी ढांचों के लिए भी लागू है जहां सुरक्षा और गोपनीयता सर्वोपरि है।

संक्षेप में, यह शोध पत्र परस्पर जुड़े औद्योगिक सिस्टम के व्यवहार को समझने और भविष्यवाणी करने के लिए एक मजबूत, गोपनीयता-संरक्षित समाधान प्रस्तुत करता है, जो सुरक्षित और अधिक कुशल विकेंद्रीकृत संचालन को सक्षम बनाता है।