基于时间顺序和专家知识的制造数据因果发现方法：COKE

理解机器之间因果关系对于制造过程中的故障诊断和优化至关重要。实际数据集常常表现为高达 90% 的缺失数据和高维度，同时包含特定于领域的专家知识和时间顺序信息，这反映了不同机器之间记录顺序的信息，对在制造数据中辨别因果关系至关重要。然而，针对类似实际情况的缺失数据处理方法尚未能够有效利用专家知识。相反，能够整合专家知识的方法在面对缺失值数据时却力挫狗澮。因此，我们提出了 COKE 方法，通过利用专家知识和传感器之间的时间顺序信息，在不进行插值缺失数据的情况下构建制造数据集的因果图。利用配方的特征，我们最大化地利用缺失值样本， derive 来自包含专家知识和时间顺序信息的初始图与其交集的嵌入，并创建传感器排序图。该图生成过程通过 actor-critic 架构进行优化，以获得获得最大奖励的最终图。在各种传感器数量和缺失比例的设置下进行的实验评估表明，我们的方法与基准方法相比，在 F1 分数上平均提高了 39.9%。而在考虑类似实际数据集配置的情形下，F1 分数提升可达 62.6%，在实际半导体数据集中可达 85.0%。源代码已公开于 https://github.com/OuTingYun/COKE。