基于未知干预的 regret-based 联合因果发现
人工智能
2025-12-30 v1 机器学习
摘要
大多数因果发现方法从观察数据中恢复表示马尔可夫等价类的完全部分有向无环图(Completed Partially Directed Acyclic Graph, CPDAG)。近期工作将这些方法扩展到联合设置以解决数据去中心化和隐私限制，但往往在所有客户共享相同因果模型的理想化假设下进行。这种假设在实际中不现实，因为客户特定的政策或协议(例如跨医院)自然会导致异构且未知的干预。本文针对未知客户端级干预的情况下的联合因果发现，提出了 I-PERI 算法，该算法首先恢复所有客户端图的联合 CPDAG，然后通过利用跨客户端干预引起的结构差异来定向化额外边。由此得到更紧凑的等价类，我们称为 -马尔可夫等价类，由 -CPDAG 表示。我们对 I-PERI 的收敛性和隐私保护性质提供了理论保证，并通过合成数据进行经验评估，展示了所提算法的有效性。
引用
@article{arxiv.2512.23626,
title = {Regret-Based Federated Causal Discovery with Unknown Interventions},
author = {Federico Baldo and Charles K. Assaad},
journal= {arXiv preprint arXiv:2512.23626},
year = {2025}
}