目标平均处理效应的倍加稳健联邦估计

Sep, 2023

目标平均处理效应的倍加稳健联邦估计

Multiply Robust Federated Estimation of Targeted Average Treatment Effects

Larry Han, Zhu Shen, Jose Zubizarreta

TL;DR提出了一种新颖的联合方法，基于多中心数据实现针对目标人群的有效因果推断。通过开发多重鲁棒的针对隐私保护的烦扰函数估计方法，我们对各个中心之间的协变量偏移和不匹配进行了调整。我们的方法融合了迁移学习，用于估计集成权重以组合来自源站点的信息。我们证明了这些学习到的权重在不同情况下是高效且最优的。相比现有方法，我们展示了我们的方法在有限样本情况下的效率和鲁棒性优势。

Abstract

Federated or multi-site studies have distinct advantages over single-site studies, including increased generalizability, the ability to study underrepresented populations, and the opportunity to study rare exposures and outcomes. However, these studies are challenging due to the need t

federated studies multi-site data generalizability privacy-preserving covariate shift

发现论文，激发创造

不同 ially 私志的多地点治疗效果估计

通过联邦学习和差分隐私，我们提供了一种在多个医疗机构之间进行平均治疗效果估计 (ATE) 的联邦分析方法，解决了医疗领域中不同数据源之间的隐私保护和数据利用的问题。

Oct, 2023

协同异质因果推断 —— 超越元分析

本研究提出了一种用于处理异质数据的协作逆倾向得分加权估计器，在协作中调整分布转移，从而在异质性增加时显著提高性能，提出了一种联邦学习算法来在保持隐私的同时协作训练结果模型，并通过合成和真实数据集展示了方法的优势。

Apr, 2024

用于估计异质治疗效果的联邦学习

使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

Feb, 2024

使用隐私保护联邦学习和领域适应的多站点 fMRI 分析：ABIDE 结果

本研究提出一种联邦学习方法来解决多中心 fMRI 分类任务中的隐私问题，采用分散式的迭代优化算法并在本地模型权重上实现随机化机制，通过两种域自适应方法来解决不同中心 fMRI 分布的系统性差异，实现了对多组医疗数据隐私保护的高质量分析。

Jan, 2020

不完整观测数据的因果效应联邦学习

通过分散的不完整数据源进行联邦因果推断，估计多个分散的不完整数据源中的因果效应。该方法使用丢失数据的条件分布来识别因果关系，并估计缺失随机假设下的更高阶统计量，同时回答隐私风险。通过模拟和真实世界示例的集合验证了该方法的功效和实用性。

Aug, 2023

基于树模型平均法的个体化治疗效果估计：异质数据源的应用

本研究提出了一种基于树模型进行模型平均的方法，旨在提高分布式数据网络下个性化治疗效果 (CATE) 估计精度，包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。

Mar, 2021

一种自适应核方法用于异构因果效应联邦学习

提出了一个新的因果推断框架，用于在联邦设置中从多个分散的数据源中学习因果效应。通过使用随机傅里叶特征将损失函数分解为多个组件，介绍了一种自适应传输算法，学习数据源之间的相似性，并且估计源之间的相似度通过传输系数，因此无需先前的相似性量度信息，可在源之间独立且系统地整合异质性的因果效应，并提供最小最大下限来评估从不同数据源学习的参数的质量。在分布不同的分散数据源上，该方法实际上比基线方法表现更好。同时不会共享原始的训练数据，从而最小化隐私泄露风险。

Jan, 2023

差分隐私下的联邦迁移学习

在这篇论文中，我们以一个联邦迁移学习框架解决了数据异构性和隐私保护这两个突出的挑战，旨在在遵守隐私约束的同时通过利用来自多个异构源数据集的信息来增强目标数据集上的学习能力。我们严格地提出了 “联邦差分隐私” 的概念，为每个数据集提供隐私保证而不依赖于可信任的中央服务器。在此隐私约束下，我们研究了三个经典的统计问题，即一维均值估计、低维线性回归和高维线性回归。通过研究极小化速率和确定这些问题的隐私成本，我们展示了联邦差分隐私是介于已确立的本地和中央模型差分隐私之间的一个中间隐私模型。我们的分析涵盖了数据异构性和隐私，突出了在联邦学习中二者的基本成本，并强调了跨数据集的知识迁移的好处。

Mar, 2024

差分隐私联邦学习：服务器可信度、估计和统计推理

该研究论文探讨了分布式环境下维护隐私的差分隐私联邦学习的关键挑战，研究了在差分隐私约束下高维度估计和推断的困难，并提出了针对线性回归模型的新颖联邦估计算法和统计推断的方法。广泛的模拟实验支持了理论上的进展，强调了该方法的有效性和可靠性。

Apr, 2024

具有泛化保证的协变量移位下的联邦学习

本文提出了一种新的全局模型训练范式 FTW-ERM，利用提高密度比匹配方法来处理联邦学习中的客户端内部和客户端间的协变量移位，并提出了与经典 ERM 在 FL 中相同隐私保证水平的低通信效率的 FITW-ERM 变体。理论上表明，在某些情况下，FTW-ERM 比经典 ERM 具有更小的泛化误差。实验结果表明，在具有挑战性的不平衡联邦设置中，FTW-ERM 优于现有联邦学习基线，因为数据分布在客户端之间存在移位。

Jun, 2023