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
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
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
本文提出了一种在联邦学习中学习所有参与客户机中共同不变（因果）特征的方法，并经验性地分析了它如何增强模型的精度和隐私性。
Apr, 2021
在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。
May, 2024
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
本研究提出了一个名为 FedC2SL 的联邦约束因果结构学习方案，它使用联邦有条件独立性检验学习因果图，该方案需要更弱和更现实的数据假设，并针对客户端数据变异提供更强的抗性，从而解决了在保护隐私方面存在的一些问题。实验结果表明，FedC2SL 具有令人鼓舞的性能和对客户端数据异质性的强大韧性。
Jun, 2023
考虑了使用未标记的流数据进行推理的具有异质代理和连接性的背景。代理相互合作，通过交换本地推断以及通过融合中心，使用因果框架评估代理对整体决策的实际影响。研究了反映不同代理参与模式和融合中心策略的各种场景，并推导出表示每个代理对联合决策的因果影响的表达式，以便应对异常情况，如敌对攻击或系统故障。通过数值模拟和多摄像机人群计数的实际应用验证了理论结果。
本研究提出了联邦学习的自适应优化方法，包括 Adagrad，Adam 和 Yogi，并分析了它们在异构数据下的收敛性。研究结果突出了客户端异构性和通信效率之间的相互作用，并表明自适应优化器的使用可以显着提高联邦学习的性能。
Feb, 2020
该研究提出了一种基于混合客户端分布的不可知联合学习框架，以增加对客户端的公正性，并给出了一种快速的、随机的最优化算法，以用于其目标下的联合学习。
Feb, 2019