Towards Uncertainty-Aware Federated Granger Causal Learning

Resumo Técnico: Rumo a uma Aprendizagem Federada de Causalidade de Granger Consciente da Incerteza

Declaração do Problema
Em sistemas industriais distribuídos, como redes inteligentes e cadeias de suprimentos, os subsistemas interagem por meio de dependências físicas e operacionais fortemente acopladas, formando uma estrutura causal descentralizada. A identificação dessas interações causais entre clientes (causalidade de Granger) é crítica para o diagnóstico de falhas e a mitigação de riscos. No entanto, as restrições de soberania de dados impedem o compartilhamento de dados brutos de séries temporais entre os clientes. Embora a Causalidade de Granger Federada (FedGC) tenha sido introduzida para recuperar essas interações sem compartilhamento de dados, os métodos existentes retornam apenas estimativas pontuais determinísticas. Essa falta de incerteza calibrada deixa os operadores sem uma base principista para distinguir interações genuínas entre clientes de arestas espúrias, particularmente na presença de efeitos de amostragem finita e ruído heterogêneo.

Metodologia
O artigo propõe um framework FedGC Consciente da Incerteza que caracteriza como a incerteza se propaga através do ciclo de feedback acoplado cliente-servidor da arquitetura FedGC. A metodologia é construída sobre um modelo de espaço de estados linear e invariante no tempo (LTI), onde os clientes observam características particionadas verticalmente.

1. Decomposição da Incerteza: Os autores particionam os elementos estocásticos em duas fontes:

   • Incerteza Aleatória: Ruído irreduzível inerente aos dados do cliente (ruído de medição e de processo).
   • Incerteza Epistêmica: Incerteza decorrente da aleatoriedade dos parâmetros do modelo (priors iniciais para as matrizes de augmentação do cliente $\theta_m$ e matrizes causais do servidor $\hat{A}_{mn}$).

2. Análise de Propagação: A contribuição técnica central é a derivação de recorrências de covariância em forma fechada que rastreiam a propagação da incerteza através de quatro canais distintos:

   • Dentro do Cliente: Evolução da variância dos parâmetros do cliente ($\Sigma^t_{\theta_m}$) e da variância do estado ($\Sigma^t_{h_m}$).
   • Dentro do Servidor: Evolução da variância dos parâmetros do servidor ($\Sigma^t_{A_{mn}}$).
   • Cliente para Servidor: Propagação da incerteza do estado do cliente para o servidor.
   • Servidor para Cliente: Propagação da incerteza do gradiente do servidor de volta para o cliente.

   Crucialmente, a análise identifica quatro termos de covariância cruzada previamente não reconhecidos ($\Omega^t_m, \Lambda^t_m, \Gamma^t_{mn}, \Psi^t_{mn}$) que acoplam o ruído dos dados e as incertezas dos parâmetros através da arquitetura.

3. Caracterização do Estado Estacionário: Sob condições de estabilidade leves (raio espectral das matrizes de ganho < 1), os autores provam que o sistema converge para um estado estacionário. Uma descoberta teórica central é que a incerteza do estado estacionário depende exclusivamente das estatísticas dos dados do cliente (incerteza aleatória) e é independente dos priors epistêmicos iniciais. À medida que o treinamento converge, a influência da aleatoriedade inicial dos parâmetros decai, deixando o ruído dos dados como o único motor do comportamento do estado estacionário.

4. Utilidade a Jusante: Aproveitando a covariância assintótica $\Sigma^\infty_{A_{mn}}$, os autores constroem um procedimento de teste de hipóteses pós-treinamento. Este teste avalia a significância das arestas inferidas ($H_0: A_{mn} = 0$) usando os desvios padrão derivados, permitindo a poda estatística de arestas espúrias.

Principais Contribuições

• Fundação Teórica: A primeira formalização da quantificação de incerteza em aprendizado federado particionado verticalmente para sistemas dinâmicos acoplados, distinguindo explicitamente entre efeitos aleatórios e epistêmicos.
• Recorrências em Forma Fechada: Derivação de expressões explícitas para a propagação da incerteza, identificando quatro novos termos de covariância cruzada que governam a interação entre dados do cliente, parâmetros do cliente e parâmetros do servidor.
• Garantias de Convergência: Estabelecimento de condições de convergência baseadas no raio espectral, gerando soluções em forma fechada para as variâncias do estado estacionário tanto nos nós do cliente quanto do servidor.
• Independência de Priors: Prova de que a incerteza assintótica é determinada exclusivamente pela distribuição dos dados do cliente, tornando a incerteza do modelo final independente da inicialização.
• Seleção Estatística de Arestas: Desenvolvimento de um framework de teste de hipóteses que utiliza a incerteza derivada para distinguir arestas causais genuínas de ruído, abordando uma limitação chave da FedGC determinística.

Resultados Experimentais
O framework foi validado em conjuntos de dados sintéticos e três conjuntos de dados industriais do mundo real: HAI (ICS Augmentado baseado em HIL), TEP (Processo Tennessee Eastman) e SMD (Conjunto de Dados de Máquina Servidor).

• Validação da Teoria: Os experimentos confirmaram que a propagação de incerteza prevista corresponde à dinâmica teórica através de vários regimes de ruído. Os resultados demonstraram que as covariâncias do estado estacionário não são afetadas pela variância dos priors iniciais dos parâmetros, validando a independência da incerteza epistêmica.
• Descoberta Causal: Em dados sintéticos com verdade fundamental conhecida, a FedGC Consciente da Incerteza reduziu significativamente os Falsos Positivos (FP) em comparação com a "FedGC Vanilla" (que recupera todas as arestas verdadeiras, mas prevê muitas espúrias), mantendo zero Falsos Negativos. Superou linhas de base como FedPC, FedDAG e NOTEARS-ADMM, que falharam em modelar efetivamente as interações entre clientes.
• Análise de Causa Raiz: Em conjuntos de dados do mundo real, o método proposto melhorou a precisão na localização de causas raiz de anomalias (medida por AC@k) em comparação com as linhas de base, demonstrando a utilidade prática dos grafos causais inferidos.

Significado e Alegações
O artigo alega fornecer a primeira fundação teórica para analisar incertezas na aprendizagem federada de causalidade de Granger. Seu significado principal reside em transformar a FedGC de uma ferramenta de estimativa pontual determinística em um framework estatisticamente principista. Ao provar que a incerteza do estado estacionário é impulsionada exclusivamente pelas características dos dados e não pela inicialização, os autores fornecem uma base defensável para que os operadores confiem ou rejeitem interações inferidas entre clientes. O mecanismo de teste de hipóteses proposto oferece um método rigoroso para filtrar arestas espúrias, abordando diretamente o desafio de identificar estruturas causais confiáveis em ambientes com silos de dados e particionamento vertical.

Limitações
Os autores reconhecem que os resultados teóricos dependem de dinâmicas lineares invariantes no tempo e de suposições de ruído gaussiano. Embora extensões para modelos não lineares (via EKF e Processos Gaussianos) sejam discutidas estruturalmente, garantias rigorosas de convergência e a propriedade de "apenas aleatório" do estado estacionário não foram formalmente estabelecidas para o regime não linear. Adicionalmente, assume-se a independência dos parâmetros do servidor entre linhas de blocos, o que pode não valer em sistemas com confundidores latentes compartilhados. Finalmente, o teste de hipóteses depende da covariância assintótica, e limites de amostra finita quantificando a lacuna entre a incerteza no momento do treinamento e a incerteza do estado estacionário não foram derivados.