ICLRFeb, 2024

异构数据的联邦因果推断

PDF
TL;DR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。
federated causal discoverydecentralized dataheterogeneous dataconditional independence testcausal direction
发现论文，激发创造
  • 可解释自适应优化的联邦因果学习

    通过联邦因果发现策略 (FedCausal) ，在去中心化的异构数据中学习统一的全局因果图，不暴露本地数据，解决非独立同分布数据的问题。

    Dec, 2023

  • 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

  • 实现可行的联邦因果结构学习

    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

  • 从异质 / 非平稳数据中独立变化进行因果推断

    本文提出了一种基于约束的因果发现框架，称为 CD-NOD，用于从异构 / 非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。

    Mar, 2019

  • 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

  • 泛化的异构联邦交叉相关与实例相似度学习

    本文提出了一种新的基于 FCCL + 的联邦相关性和相似性学习方法，通过非目标蒸馏，在异构参与方之间利用不相关的未标记公共数据进行通信，构建了交叉相关矩阵并在逻辑和特征层面上对实例相似度分布进行对齐，旨在解决模型异质性和灾难性遗忘问题，并为此提出了一种综合评估标准，实验证明了该方法在各种场景下的优越性和模块的高效性。

    Sep, 2023

  • 在潜在混淆因素和选择偏差可能存在的情况下进行迭代因果分析

    我们提出了一种迭代因果发现算法 (ICD)，可在潜在混淆变量和选择偏差的情况下恢复因果图，并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法，需要更少的 CI 测试并学习更准确的因果图。

    Nov, 2021

  • FedCD: 非独立同分布联邦学习性能改进

    提出 FedCD 方法，将模型动态地克隆和删除以将设备分组，实现在非独立同分布的数据上高精度和更快的收敛。

    Jun, 2020

  • 混合有向无环图分布中因果结构的发现

    研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。

    Jan, 2020

  • 针对时态和非时态数据的因果发现方法调查

    本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

    Mar, 2023