基于状态空间表示的联邦格兰杰因果学习：面向互依赖客户端

先进的传感器和物联网设备已提高了复杂工业企业的监控和控制能力，也构建了这些企业中跨地理分布的相互依赖操作网络(客户端)。格兰杰因果是一种有效的方法，通过检验一个客户端的状态如何随时间影响其他客户端，从而检测并量化这些相互依赖关系。理解这些相互依赖关系有助于捕捉局部事件(如故障和中断)如何在整个系统中传播，从而可能引发广泛的运营影响。然而，工业数据的大规模和复杂性为建模这些相互依赖关系带来了挑战。本文发展了一种联邦学习格兰杰因果的方法。我们利用线性状态空间系统框架，利用低维状态估计来分析相互依赖关系。这解决了集中式数据处理常见的带宽限制和计算负担。我们提出通过机器学习(ML)函数将格兰杰因果信息增强到客户端模型中。我们检验增强后的客户端和服务器模型之间的相互依赖性，并将框架重新表述为一个独立的机器学习算法，提供其亚线性和线性收敛率的条件。我们也研究了该框架收敛到集中式信任模型的收敛性。此外，我们包括差分隐私分析，以确保在保留因果洞察信息的同时确保数据安全。使用合成数据，我们进行了全面的实验，以演示该方法对因果性扰动的鲁棒性，以及其在通信规模、客户端数量和原始数据维度方面的可扩展性。我们还通过报告去中心化数据节省量，在两个真实工业控制系统数据集上评估了性能。