具有因果意识的递归编码方法，用于可解释的时间知识图谱外推

《ADVANCED ENGINEERING INFORMATICS》：Causality-Aware Recursive Encoding for interpretable temporal knowledge graph extrapolation

　　

董 Zhu | 李爱萍 | 陈凯 | 雷天 | 高立群 | 李长健 | 李楠 | 王叶

摘要

预测工业控制系统（ICS）传感器网络中的未来异常对于防止设备故障、减少停机时间以及确保运行安全至关重要。时间知识图谱（TKGs）提供了一个结构化的框架，用于建模这些基础设施中传感器、执行器和过程之间的演变因果关系。然而，现有的基于子图的TKG外推方法容易受到噪声数据引入的虚假相关性的影响，并且缺乏捕捉ICS网络中复杂故障传播链所需的多跳关系语义的能力。为了解决这一限制，我们提出了CARE（因果硬件递归编码，简称CARE）框架，该框架适用于ICS环境中的稳健TKG推理。CARE整合了因果子图，以隔离对传感器异常预测具有结构重要性的依赖关系，同时过滤掉没有真实链接的临时传感器相关性等非因果特征。受路径聚合算法启发的子图感知递归编码器通过传递性感知的消息传递来捕获多跳路径语义。这种设计使得能够建模故障传播中的长距离依赖关系，其中主要传感器异常通过相互连接的控制回路传播。在真实世界传感器数据的评估中，CARE的表现优于现有方法。此外，通过提供可追溯的因果路径，CARE支持主动的根本原因诊断，使得在ICEWS18数据集上的平均错误率（MRR）提高了3.44%，并在ICS特定数据集上表现出更优的性能。