面向去中心化反事实推理的联邦因果表征学习——基于状态空间系统

相互依赖的工业资产（客户端）通过物理过程和控制输入紧密耦合，引发关键问题：若另一个客户端以不同方式运行，其输出会如何变化？由于客户端专有数据高维且私有，无法集中化原始数据。此外，每个客户端还维持着不可修改的专有本地模型。我们提出一种在状态空间系统中进行联邦因果表征学习的框架，在这些约束下捕获客户端之间的相互依赖性。每个客户端将高维观测映射到低维潜在状态，从而解耦内在动力学与控制驱动的影响。中央服务器估计全局状态转移和控制结构。这使客户端能够仅通过交换紧凑的潜在状态，预测在其他客户端采用替代控制输入时输出的变化。我们证明了收敛于集中式信任的正确性，并提供了隐私保证。实验结果表明，该方法在合成数据和真实工业控制系统数据集上表现出良好的可扩展性和准确的跨客户端反事实推理能力。