迈向实用的联邦因果结构学习
机器学习
2023-12-05 v2 人工智能
统计方法学
摘要
理解因果关系在科学发现中至关重要。因果结构学习的过程涉及从观测数据中识别因果图以理解此类关系。通常，由中心服务器执行该任务，但向服务器共享数据会带来隐私风险。联邦学习可解决此问题，但现有的联邦因果结构学习方案对数据做出不切实际的假设且缺乏收敛保证。FedC2SL 是一种基于联邦约束的因果结构学习方案，它利用联邦条件独立性检验学习因果图，该检验在两变量于条件集下条件独立时无需从客户端收集原始数据。FedC2SL 对数据要求更弱且更现实的假设，并对客户端间的数据变异性提供更强的抵抗能力。FedPC 与 FedFCI 是 FedC2SL 的两个变体，分别用于因果充分与因果不充分情形下的因果结构学习。本研究使用合成数据集与真实数据针对现有方案评估 FedC2SL，发现其展现出令人鼓舞的性能以及对客户端间数据异质性的强韧性。
引用
@article{arxiv.2306.09433,
title = {Towards Practical Federated Causal Structure Learning},
author = {Zhaoyu Wang and Pingchuan Ma and Shuai Wang},
journal= {arXiv preprint arXiv:2306.09433},
year = {2023}
}