J. Rehak

Dissertation, Karlsruhe, Karlsruher Institut für Technologie (KIT), Daten-effiziente Aufklärung von kausalen Zusammenhängen in technischen Systemen durch Aktive Aufklärung und die Verwendung von Vorwissen

Abstract

Diese Dissertation leistet einen Beitrag zum computergestützten Lernen von Kausalbeziehungen und deren Nutzung. Kausalbeziehungen sind bekanntlich allgegenwärtig und für den Menschen natürlich verständlich, aber auch für jede Wissenschaft relevant. Sie können als kausale Graphen dargestellt werden, wobei die Knoten die Ereignisse oder Zustände repräsentieren, während gerichtete Kanten kausale Beziehungen zwischen ihnen darstellen.
Wir entwickeln eine neue Art von Intervention, um kausale Beziehungen in Versuchsanordnungen zu lernen. Dieser neuartige Ansatz nutzt die natürliche Ausbreitung kausaler Informationen im zugrundeliegenden kausalen Graphen, um Rückschlüsse auf dessen Struktur zu ziehen. Wir injizieren ein minimalinvasives, aber identifizierbares Signal in einen ausgewählten Knoten und versuchen, es in den anderen Knoten wiederzufinden, um Hinweise auf ihre kausale Beziehungen zu erhalten. Wir demonstrieren ihre Anwendung an mehreren generierten Zeitreihendatensätzen. In dieser Arbeit wurden auch neue Methoden zur effizienten Darstellung von Graphenmengen beschrieben, die ebenfalls zu den identifizierten Kausalbeziehungen passen. Für diese Aufgabe
haben wir z.B. Binäre Entscheidungsdiagramme und Adjazenzmatrizen basierend auf ternärer Logik verwendet. Zusätzlich schlagen wir eine angepasste Version des PC-Algorithmus vor, die in der Lage ist, die neuartigen Repräsentationen zu verwenden, während sie gleichzeitig die ursprüngliche Version in Bezug auf Zeit und Anzahl der Unabhängigkeitstests übertrifft. Wir führen eine Untersuchung bestehender Metriken durch, die gelernte kausale Graphen anhand
von Grundwahrheiten bewerten. Zunächst stellen wir unsere eigene Metrik vor, die für eine Vielzahl verschiedener kausaler Graphen geeignet ist und nicht nur gerichtete azyklische Graphen, sondern auch deren Oberklasse, die Maximal Anzestralen Graphen, als Grundwahrheit verwenden kann. Anschließend werden verschiedene Kriterien zur Bewertung der Fähigkeiten der Metrik eingeführt und für die untersuchten Metriken ausgearbeitet.
Schließlich schlagen wir einen neuen Ansatz zur Verwendung von kausalen Graphen vor, um Rückschlüsse auf mögliche Ursachen für entdeckte Anomalien zu ziehen. Wir stellen auch eine Erweiterung vor, die in der Lage ist, zeitliche Regel der Kausalität zu betrachten, um das Schließen auf mögliche Fehlerursachen noch zu verbessern. Eine beispielhafte Anwendung wird an einem Roboter-Greifprozess durchgeführt.
Diese Arbeit wurde teilweise finanziert durch DFG FOR 5339 und durch die Förderungsfinanzierung ’Wertstromkinematik’ des KIT.