Erlernen kausaler Zusammenhänge aus Messdaten mittels gerichteter azyklischer Graphen

Um unbekannte Zusammenhänge in komplexen Prozessen zu erkennen, werden in zunehmendem Maße maschinelle Lernverfahren eingesetzt. Die extrahierten Prozessmuster können allerdings nicht ohne weiteres dazu eingesetzt werden, Ursachen und Wirkungen zwischen einzelnen Prozessgrößen zu erkennen. Im vorliegenden Beitrag wird daher untersucht, inwiefern anhand von Messdaten und dem Einsatz gerichteter azyklischer Graphen die kausale Struktur eines Prozesses erlernt werden kann. Diese Graphen bieten dabei die Möglichkeit, mittels der Berechnung bedingter Wahrscheinlichkeiten die Struktur eines Systems zu lernen und Schlussfolgerungen bezüglich der Wirkzusammenhänge des Prozesses zu geben. Die Graphenstruktur wird zunächst durch ungerichtete Kanten initialisiert und daraufhin die Kanten bis zur Markov-Äquivalenz gerichtet. Anhand des resultierenden Graphen werden Randbedingungen für die Struktur definiert und in einer zweiten Phase werden die Kantengewichte in Form von Wahrscheinlichkeiten berechnet. Das Verfahren wird anhand simulierter Daten eines chemischen Prozesses sowie anhand von realen Messdaten eines Laborprozesses untersucht.