部分可观测传感器网络中基于因果关系的异常检测：超越相关性
人工智能
2025-07-15 v1
摘要
当今随着 AI 驱动制造的日益普及，持续增长的数据流需要实时监控。然而，由于资源有限，不可能在每个位置布置传感器来检测意外变化。因此，有必要开发最佳传感器置放策略，以在部分可观测性的同时尽快检测异常。已提出许多方法来解决此挑战，但大多数现有方法仅考虑变量相关性，忽略关键因素：因果关系。此外，虽然有些技术纳入了因果分析，但它们依赖于干预——人为制造异常——以识别因果效应，这既不实际，又可能导致灾难性损失。在本文中，我们引入一种基于因果关系的深度 Q 网络（Causal DQ）方法，用于部分可观测传感器置放中的异常检测。通过在 Q 网络训练的每个阶段整合因果信息，我们的方法实现了更快的收敛和更紧致的理论误差界。此外，训练好的因果信息化 Q 网络在各种设置下显著减少了异常检测时间，展示了在大规模真实数据流中的传感器置放有效性。超越当前实现，本技术的根本性见解可应用于各种强化学习问题，为工程应用中的因果信息化机器学习方法开辟了新的可能性。
引用
@article{arxiv.2507.09742,
title = {Causality-informed Anomaly Detection in Partially Observable Sensor Networks: Moving beyond Correlations},
author = {Xiaofeng Xiao and Bo Shen and Xubo Yue},
journal= {arXiv preprint arXiv:2507.09742},
year = {2025}
}