Anomaly Tracing Method Based on Attention-Based Postnonlinear Causal Model

Shuai Tan

doi:10.1109/TII.2025.3594192

Anomaly Tracing Method Based on Attention-Based Postnonlinear Causal Model

2025-09-04

0

PRE

AI

DOI：10.1109/TII.2025.3594192

原文链接

原文求助

摘要

En 中文

准确因果发现对于数据驱动的根本原因诊断具有重要意义。对于多变量复杂工业过程，传统方法很少从量化因果强度的角度开展多因单果的因果发现。为此，本文提出了一种基于注意力机制的后非线性（PNL）因果模型异常追踪方法。将注意力机制引入多变量PNL模型，以定量计算各原因对结果的因果贡献。为解决区分固有因果关系与异常传播路径的问题，提出了一种比较因果图分析方法。该方法通过分析正常和异常条件下原因变量与结果变量的注意力权重变化，确定异常传播路径。为应对因果图中存在多个根节点的问题，提出了一种根原因评分方法。通过仿真和实际工业案例研究验证了所提出方法的有效性。与现有及消融方法相比，所提出的方法能够更快速、准确地提供根本原因，同时识别与机制分析一致的异常传播路径。

Keyword:

Anomaly tracing

attention-based postnonlinear (ATTENTION-PNL) model

causal diagram

causal discovery

Anomaly Tracing Method Based on Attention-Based Postnonlinear Causal Model

摘要

期刊

机构

引用论文