实现可行的联邦因果结构学习
本文提出了一种新的联邦学习算法 FedPC,包含两种新的策略,旨在在不集中数据的情况下保护数据隐私,并在联邦学习环境中有效地进行因果结构学习。实验表明,FedPC 对联邦学习环境中的因果结构学习非常有效。
Nov, 2022
提出了一种新的面向任意因果模型和异构数据的联邦因果探索方法,通过使用代理变量来解决不同客户端之间的数据异构性,并利用联邦条件独立性检验和联邦独立性改变原则来确定因果方向,无需对特定函数形式进行任何假设,以以保护数据隐私的方式构建摘要统计量,实验证明了该方法的有效性。
Feb, 2024
迭代式 LLM 监督 CSL(ILS-CSL)框架通过将基于 LLM 的因果推理与 CSL 相结合,并从 LLM 中获得反馈,从而改进了因果有向无环图(DAG)的学习,提供了更强效的因果发现方法,并在八个真实世界数据集上的综合评估中表现出优越的性能,展示了其推动因果发现领域进步的潜力。
Nov, 2023
本研究考虑基于约束的因果结构学习方法,特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法,模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。
Nov, 2012
我们提出了一种名为 FedStruct 的新框架,用于处理分布在多个客户端上的基于图结构的数据的联邦学习挑战,通过利用明确的全局图结构信息捕捉节点间的依赖关系,FedStruct 消除了在客户端之间共享敏感节点特征或嵌入的必要性,通过在六个数据集上进行的实验结果验证了 FedStruct 的有效性,并展示了在不同情景下(包括不同的数据划分方法、可用标签的不同级别以及客户端数量)接近于集中式方法的性能。
Feb, 2024
联邦图学习通过分布式图训练共同学习一个全局图神经网络,在非独立同分布的分布式图中面临着重要的挑战。本文首次揭示了局部客户端扭曲现象的原因,包括节点级语义和图级结构。根据节点级语义,对比不同类别的节点有助于提供良好的区分能力。根据图级结构,邻节点具有相似性。我们通过将邻接关系转化为相似度分布,并利用全局模型将关系知识传递给局部模型,以保留局部模型的结构信息和可区分性。实证结果表明,该方法在三个图数据集上优于其他方法。
Jun, 2024
揭示、建模和理解自然现象的因果机制是科学研究中的基本任务,此文讨论一种名为 MgCSL(多粒度因果结构学习)的新方法,通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象,使用多粒度变量作为输入训练多层感知机,从而深入研究变量之间的因果关系,并引入一种简化的非循环性约束以适应高维数据,实验证明 MgCSL 优于竞争方法,并在 fMRI 数据集中发现可解释的因果连接。
Dec, 2023
提出了 FedStar 框架,该框架是一种用于跨图联邦学习任务的 FGL 框架,其提取和共享公共底层结构信息,从而捕获更多基于结构的领域不变信息并避免特征不匹配问题。
Nov, 2022