Resumen: Hoy en día, a medida que la fabricación impulsada por la IA se vuelve cada vez más popular, el volumen de flujos de datos que requieren monitoreo en tiempo real continúa creciendo. Sin embargo, debido a los recursos limitados, no es práctico colocar sensores en cada ubicación para detectar cambios inesperados. Por lo tanto, es necesario desarrollar una estrategia óptima de colocación del sensor que permita la observabilidad parcial del sistema al tiempo que detecta anomalías lo más rápido posible. Se han propuesto numerosos enfoques para abordar este desafío; Sin embargo, la mayoría de los métodos existentes consideran solo correlaciones variables y descuidar un factor crucial: causalidad. Además, aunque algunas técnicas incorporan un análisis causal, dependen de las intervenciones que crean anomalías para identificar los efectos causales, lo que no es práctico y podría conducir a pérdidas catastróficas. En este documento, introducimos un enfoque de red Q-Q-Network (DQ causal) basado en la causalidad para la colocación del sensor parcialmente observable en la detección de anomalías. Al integrar la información causal en cada etapa de la capacitación en la red Q, nuestro método logra una convergencia más rápida y límites de error teóricos más estrictos. Además, la red Q capacitada informada causal reduce significativamente el tiempo de detección de anomalías en diversos entornos, lo que demuestra su efectividad para la colocación del sensor en flujos de datos del mundo real a gran escala. Más allá de la implementación actual, las ideas fundamentales de nuestra técnica se pueden aplicar a varios problemas de aprendizaje de refuerzo, abriendo nuevas posibilidades para los métodos de aprendizaje automático informados por la causalidad del mundo real en aplicaciones de ingeniería.
Publicado Originalme en export.arxiv.org El 14 de julio de 2025.
Ver Fuente Original
