Federated Causal Discovery From Interventions
利用干预数据进行联邦因果发现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：摘要直接研究借助分布式干预数据恢复变量之间的因果结构。
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…
利用干预数据进行联邦因果发现
- 研究问题
- 当含干预样本的数据分散在不同机构且无法集中共享时，如何恢复因果结构，并应对机构间干预变量和数据分布的差异？
- 方法与思路
- 作者提出 FedCDI，以信念更新代替原始样本交换，采用感知干预信息的聚合方式，分析共享或不相交干预变量两类情形。
- 材料陈述的贡献
- 摘要称，框架将干预数据纳入联邦因果发现，缓解干预异质性的负面影响，并在合成及真实世界图上评估性能与扩展性。
- 阅读关注点
- 应核对干预类型与因果结构可识别条件、信念更新的聚合规则，以及隐私声明是否有正式保证和异质性实验如何设置。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未提供识别假设、隐私保证或具体性能数值。
原文摘要
Causal discovery serves a pivotal role in mitigating model uncertainty through recovering the underlying causal mechanisms among variables. In many practical domains, such as healthcare, access to the data gathered by individual entities is limited, primarily for privacy and regulatory constraints. However, the majority of existing causal discovery methods require the data to be available in a centralized location. In response, researchers have introduced federated causal discovery. While previous federated methods consider distributed observational data, the integration of interventional data remains largely unexplored. We propose FedCDI, a federated framework for inferring causal structures from distributed data containing interventional samples. In line with the federated learning framework, FedCDI improves privacy by exchanging belief updates rather than raw samples. Additionally, it introduces a novel intervention-aware method for aggregating individual updates. We analyze scenarios with shared or disjoint intervened covariates, and mitigate the adverse effects of interventional data heterogeneity. The performance and scalability of FedCDI is rigorously tested across a variety of synthetic and real-world graphs.