联邦格兰杰因果学习中的不确定性量化

arXiv:2602.13004v3 公告类型：替换 摘要：格兰杰因果关系用于识别多变量时间序列中的预测依赖关系。在各方无法共享数据的分布式环境中，联邦因果学习支持联合分析。大多数联邦因果方法假设客户端观测到相同的特征，并将因果关系推断为点估计，而很少进行形式化的不确定性量化。在许多工业系统中，这些假设并不成立：客户端观测到的特征各不相同，目标是估计客户端之间的依赖关系（边）。这些依赖关系必须通过反复的客户端—服务器迭代间接估计。客户端数据和模型参数所产生的不确定性会在这一过程中传播，因此仅使用点估计不足以评估客户端之间的边。本文刻画了这种不确定性传播，并利用边特定方差区分真实的客户端间依赖关系与虚假的估计边。我们考虑来自客户端数据变异性的偶然不确定性，以及来自模型参数的认知不确定性。我们推导出客户端—服务器迭代的闭式方差递推关系和稳态方差，并证明初始模型参数不确定性传播后的贡献会渐近消失。这些方差支持以具有统计学原理的方式选择客户端间的边。合成实验表明，与具有竞争力的基线方法相比，我们的方法能够更好地恢复客户端间的边。在真实世界的工业数据集上，该方法在实现高根因识别准确率的同时，还能产生具有可解释性的依赖结构。