一种用于异构因果效应联邦学习的自适应核方法

我们提出一种新的因果推断框架，用于在联邦设置下从多个分散数据源学习因果效应。我们引入一种自适应迁移算法，利用随机傅里叶特征将损失函数解耦为多个分量，每个分量与一个数据源相关联，从而学习数据源之间的相似性。数据源可能具有不同的分布；因果效应被独立且系统地纳入。所提方法通过迁移系数估计源间相似性，因此无需关于相似性度量的先验信息。异构因果效应可在源间不共享原始训练数据的情况下进行估计，从而将隐私泄露风险降至最低。我们还给出了极小极大下界，以评估从异质源学到的参数质量。实验表明，所提方法在具有相异分布的分散数据源上优于基线方法。