An Adaptive Kernel Approach to Federated Learning of Heterogeneous Causal Effects
联邦学习异质性因果效应的自适应核方法AI 解读 ↓
← 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：摘要明确以多源数据中的异质性因果效应估计为研究目标。
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…
联邦学习异质性因果效应的自适应核方法
- 研究问题
- 多个分布不同且不能共享原始数据的数据源，如何协同估计异质性因果效应，并从数据中学习可迁移的相似性？
- 方法与思路
- 作者通过随机傅里叶特征分解各数据源对应的损失，使用自适应迁移算法估计迁移系数，并建立参数学习的极小极大下界。
- 材料陈述的贡献
- 摘要称方法无需预先提供源间相似度，也无需共享原始训练数据；在分布不同的去中心化数据上表现优于所比较基线。
- 阅读关注点
- 应核对各数据源的因果识别条件、迁移系数含义、交换信息的形式，以及极小极大下界与实际估计误差的对应关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明识别假设或正式隐私保证，不共享原始数据不等于零泄露。
原文摘要
We propose a new causal inference framework to learn causal effects from multiple, decentralized data sources in a federated setting. We introduce an adaptive transfer algorithm that learns the similarities among the data sources by utilizing Random Fourier Features to disentangle the loss function into multiple components, each of which is associated with a data source. The data sources may have different distributions; the causal effects are independently and systematically incorporated. The proposed method estimates the similarities among the sources through transfer coefficients, and hence requiring no prior information about the similarity measures. The heterogeneous causal effects can be estimated with no sharing of the raw training data among the sources, thus minimizing the risk of privacy leak. We also provide minimax lower bounds to assess the quality of the parameters learned from the disparate sources. The proposed method is empirically shown to outperform the baselines on decentralized data sources with dissimilar distributions.