Federated Estimation of Causal Effects from Observational Data
基于联邦观察数据的因果效应估计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：摘要使用潜在结果框架估计观察数据中的处理效应。
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…
基于联邦观察数据的因果效应估计
- 研究问题
- 当多个数据来源保持本地存储且不披露原始数据时，如何整合来源间的因果信息，估计观察数据中的个体处理效应并满足隐私约束？
- 方法与思路
- 作者以非参数形式重述潜在结果框架，将潜在结果建模为高斯过程随机函数，并从多个本地数据来源学习其参数及整合局部效应。
- 材料陈述的贡献
- 摘要提出无需集中原始数据的联邦因果推断框架，并称模拟与真实基准例子展示了该方法的应用潜力和计算效率。
- 阅读关注点
- 应核对跨来源共享的参数与交换的信息、因果识别及来源异质性条件，并区分原始数据不集中与形式化隐私保障。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明识别假设、通信成本或隐私保证的具体定义与强度。
原文摘要
Many modern applications collect data that comes in federated spirit, with data kept locally and undisclosed. Till date, most insight into the causal inference requires data to be stored in a central repository. We present a novel framework for causal inference with federated data sources. We assess and integrate local causal effects from different private data sources without centralizing them. Then, the treatment effects on subjects from observational data using a non-parametric reformulation of the classical potential outcomes framework is estimated. We model the potential outcomes as a random function distributed by Gaussian processes, whose defining parameters can be efficiently learned from multiple data sources, respecting privacy constraints. We demonstrate the promise and efficiency of the proposed approach through a set of simulated and real-world benchmark examples.