来自异构数据的联邦因果发现
机器学习
2024-02-28 v2 人工智能
摘要
传统的因果发现方法依赖于集中式数据，这与许多现实情境中数据的去中心化性质不一致。这种差异推动了联邦因果发现 (FCD) 方法的发展。然而，现有的 FCD 方法可能受到可识别函数因果模型或同质数据分布等潜在限制性假设的局限，从而缩小了其在多样化场景中的适用性。在本文中，我们提出了一种新的 FCD 方法，旨在适应任意因果模型和异构数据。我们首先利用对应于客户端索引的代理变量来解释不同客户端之间的数据异构性。随后，我们开发了用于因果骨架发现的联邦条件独立性检验 (FCIT)，并建立了用于确定因果方向的联邦独立变化原理 (FICP)。这些方法涉及构建汇总统计量作为原始数据的代理，以保护数据隐私。由于具有非参数特性，FCIT 和 FICP 不对特定函数形式做任何假设，从而有助于处理任意因果模型。我们在合成数据集和真实数据集上进行了大量实验，以展示我们方法的有效性。代码可在 https://github.com/lokali/FedCDH.git 获取。
引用
@article{arxiv.2402.13241,
title = {Federated Causal Discovery from Heterogeneous Data},
author = {Loka Li and Ignavier Ng and Gongxu Luo and Biwei Huang and Guangyi Chen and Tongliang Liu and Bin Gu and Kun Zhang},
journal= {arXiv preprint arXiv:2402.13241},
year = {2024}
}
备注
ICLR 2024