.png){kind=icon}
返回
Digital Twin composition through causal analysis
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2026.116031.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数字孪生（DTs）通常被设计为模块化模型，但在实际部署中它们作为相互连接的子系统运行，其变量相互影响。组合数字孪生需要可解释且可重用地恢复跨模块依赖关系。基于独立成分分析（ICA）的线性非高斯无环模型（ICA-LiNGAM）等因果发现方法适用于此，在满足线性和非高斯假设的情况下，从观测数据中推断有向无环图（DAG）；然而，当在已知初始因果结构的基础上添加候选变量时，纯噪声或无关信号会严重降低LiNGAM的分离步骤，产生虚假边和不稳定的图。本文提出NA-LiNGAM（噪声感知LiNGAM），一种应用于数字孪生组合的LiNGAM算法，在将候选变量整合到因果图之前对其进行筛选。NA-LiNGAM通过三个统计检验增强了ICA-LiNGAM，量化边的稳健性：条件回归显著性、置换检验显著性和自助法稳定性，并引入了图验证得分。利用该得分，NA-LiNGAM选择能提高图保真度的新变量并丢弃噪声。我们还引入了一个快速变体，将搜索复杂度从指数级降低到线性级。我们在合成基准和真实数据集上验证了NA-LiNGAM，使用精确召回曲线下面积（AUC-PR）、结构汉明距离（SHD）和结构干预距离（SID）进行评估。结果表明，在高噪声环境下，NA-LiNGAM显著减少了虚假边并保留了真实的因果结构，其组合比基线LiNGAM更稳定，且在性能上与最先进方法相当。
Keyword:
Digital Twins
Causality
Causal discovery
Digital twins composition
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Enabling causality learning in smart factories with hierarchical digital twins通过分层数字孪生在智能工厂中实现因果关系学习
OAAI
OAAI分享收藏Fast Scalable and Accurate Discovery of DAGs Using the Best Order Score Search and Grow Shrink Trees
PREAI
分享收藏
查看更多内容