Daten-effiziente Aufklärung von kausalen Zusammenhängen in technischen Systemen durch Aktive Aufklärung und die Verwendung von Vorwissen

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.

The thesis contributes to the computer-driven learning of causal relations and their use. Causal relations are known to be omnipresent and naturally comprehensible for humans, while also being relevant for every science. They can be represented as causal graphs with nodes representing the events or states, while directed edges represent the presence of causal relations between them. We develop a novel kind of intervention to learn causal relations in experimental setups. This novel approach makes use of the natural spread of causal information in the underlying causal graph to draw conclusions about its structure. We inject a low-invasive, but identifiable signal in a chosen node and try to rediscover it in the other variables to gain clues about their relations. We demonstrate their use on several generated timeseries datasets. This thesis also described new methods for the efficient representations of graph sets, which equally match the set of learned causal relations. For this task, we employ for example Binary Decision Diagrams and adjacency matrices based on ternary logic. Additionally, we propose an adapted version of the PC algorithm, which can use the novel representations, while it also may exceed the original version in time and the number of independence tests. We perform an investigation on existing metrics, which evaluate learned causal graphs using ground truth. First, we introduce our own metric, which performs on a variety of different causal graph types and can use not only Directed Acyclic Graphs as ground truth, but also their
superclass of Maximal Ancestral Graphs. Then, several criteria are introduced to evaluate the metrics’ capabilities and the metrics are inspected for them.
Finally, we propose a new approach on how to use causal graphs to draw conclusions about potential root causes for discovered anomalies. We also propose an extension, which employs causal concepts of time to improve its recommendations of root causes. For demonstration, both approaches are applied on a robotic gripping process. This work was partially funded by DFG FOR 5339 and by the subsidy fund ’Wertstromkinematik’ of the KIT.