跳到正文
← 返回论文列表与筛选
阅读说明

本页整理公开书目信息,不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成,未完成全文核验,可能有误;具体假设、证明与结论请核对原文。摘要保留来源文本,未经模型改写。

DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要;缺少可靠材料时保留待补状态。

本页为预印本版本;arXiv 收录、作者填写的期刊信息以及作者既有发表经历,都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对,只展示已核实例,档案仍可能误合并。

引用量采用 OpenAlex 单条关联记录,不合计多个记录;关联记录可能包含正式发表版本,不等于此版本单独引用。缺失不视为零,引用指标不代表论文质量。

关注作者按书目中的完整姓名匹配,同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列,再参考通用方法与发表日期。

分类依据与纠错

AI 根据所提供的论文材料归类:摘要以观测数据中的因果结构学习为共同任务,并据此评价数据贡献,直接涉及因果推断。

反馈分类问题

正在核对关联版本…

代码、数据与补充材料

正在核对对应版本的资源…

关注这篇论文的作者
Björn Filter
Ralf Möller

协作因果推断中的数据共享机制(扩展版)

研究问题
在参与方获取数据有成本、共享独特数据可能损失竞争优势时,如何衡量各方对协作因果学习的贡献,并设计公平的数据共享激励?
方法与思路
作者比较各参与方观测数据推得的完成部分有向无环图,构建面向因果学习任务的数据价值评估方案,再据此设计奖励与贡献激励机制。
材料陈述的贡献
摘要提出因果任务专用的数据估值方案,并说明其可用于按数据质量分配奖励或促进贡献;未交代机制性质的具体证明与效果数值。
阅读关注点
应核对图结构差异如何转换为数据价值、估图误差如何影响奖励,以及公平性、参与激励和贡献最大化分别采用什么定义与条件。
阅读边界
本条依据 arXiv 扩展版预印本摘要,不能确认同行评审或期刊接收;摘要未说明因果发现假设、激励相容条件及与其他版本的差异。

原文摘要

Collaborative causal inference (CCI) is a federated learning method for pooling data from multiple, often self-interested, parties, to achieve a common learning goal over causal structures, e.g. estimation and optimization of treatment variables in a medical setting. Since obtaining data can be costly for the participants and sharing unique data poses the risk of losing competitive advantages, motivating the participation of all parties through equitable rewards and incentives is necessary. This paper devises an evaluation scheme to measure the value of each party's data contribution to the common learning task, tailored to causal inference's statistical demands, by comparing completed partially directed acyclic graphs (CPDAGs) inferred from observational data contributed by the participants. The Data Valuation Scheme thus obtained can then be used to introduce mechanisms that incentivize the agents to contribute data. It can be leveraged to reward agents fairly, according to the quality of their data, or to maximize all agents' data contributions.

笔记与分组
相关领域论文