Weilbach, Juliane (2025) Causal dynamic modeling with Bayesian methods. PhD, Universität Oldenburg.
|
Volltext (9Mb) |
Abstract
Root cause analysis is essential in industrial settings. Counterfactual formulations from causal inference assess whether failures would occur under different conditions, enabling system improvements via hypothetical interventions. However, the hypothetical nature of counterfactual distributions makes them inherently ambiguous, which is particularly challenging in continuous settings. If the underlying system is dynamic, as it is typically the case in industrial processes, this increases complexity, particularly with regard to scalability. This work tackles three challenges: uncertainties in counterfactual estimation, root cause identification in dynamic systems, and unobserved variables. To address uncertainties, we propose a Bayesian approach for improved reliability. For automatic root cause identification from a single faulty observation, we present an auto-regressive model with sampling-based estimation. Additionally, we sketch deconfounding techniques for unobserved variables. These methods enhance counterfactual reasoning, enabling faster, more accurate root cause identification and simplifying quality control.
["eprint_fieldname_title_plus" not defined]
Kausale dynamische Modellierung mit Bayesianischen Methoden
["eprint_fieldname_abstract_plus" not defined]
Die Ursachenanalyse ist in der Industrie essenziell. Kontrafaktische Formulierungen aus der Kausalinferenz bewerten, ob Ausfälle unter anderen Bedingungen auftreten würden, und ermöglichen so Systemverbesserungen durch hypothetische Eingriffe. Der hypothetische Charakter kontrafaktischer Verteilungen macht sie jedoch mehrdeutig was besonders schwierig ist in kontinuierlichen Umgebungen. Wenn das zugrunde liegende System dynamisch ist, wie in industriellen Prozessen, erhöht dies die Komplexität, insbesondere in Bezug auf die Skalierbarkeit. Diese Arbeit behandelt drei Herausforderungen: Unsicherheiten bei der kontrafaktischen Schätzung, Ursachenidentifikation in dynamischen Systemen und unbeobachtete Variablen. Zur Reduzierung von Unsicherheiten stellen wir einen Bayes’schen Ansatz vor. Zur automatischen Ursachenermittlung aus einer fehlerhaften Beobachtung präsentieren wir ein autoregressives Modell mit stichprobenbasierter Schätzung. Zudem skizzieren wir Deconfounding-Techniken. Diese Methoden verbessern die kontrafaktische Analyse sowie die Ursachenermittlung und vereinfachen die Qualitätskontrolle.
Item Type: | Thesis (PhD) |
---|---|
Uncontrolled Keywords: | Counterfactual Inference, Dynamic Systems, Confounding, Root Cause Analysis, Bayesian Methods |
Subjects: | Generalities, computers, information > Computer science, internet |
Divisions: | School of Computing Science, Business Administration, Economics and Law > Department of Computing Science |
Date Deposited: | 05 Mar 2025 15:50 |
Last Modified: | 05 Mar 2025 15:50 |
URI: | https://oops.uni-oldenburg.de/id/eprint/7147 |
URN: | urn:nbn:de:gbv:715-oops-72283 |
DOI: | |
Nutzungslizenz: |
Actions (login required)
![]() |
View Item |