.png){kind=icon}
返回
Federated causal inference from observational data
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-025-06819-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
去中心化数据源在现实应用中普遍存在，给因果推断带来了严峻挑战。这些数据源因隐私限制无法整合，且不同数据源之间的分布差异和缺失值可能导致因果估计量引入偏差。本文提出了一种统一框架，用于在不共享原始数据的情况下，从去中心化观测数据中估计因果效应。该框架有助于在异构和不完整环境下实现隐私保护的因果学习。该框架包含三个新颖实例，分别针对联邦因果推断中的不同挑战进行设计。首先，我们引入了一种基于高斯过程的贝叶斯框架，用于估计因果效应的后验分布，并计算高阶统计量以量化不确定性。其次，我们开发了一种自适应迁移算法，利用随机傅里叶特征学习数据源之间的相似性，并将损失函数分解为源特定的组成部分——无需预先知道相似性度量。第三，我们提出了一种从缺失数据中进行联邦因果推断的方法，能够在缺失随机假设下估计因果效应，同时捕捉估计量中的高阶不确定性。这些组件共同解决了现有方法的核心局限性，这些方法通常孤立地处理隐私、异构性和缺失性问题。我们的框架为跨去中心化数据环境实现稳健、隐私感知的因果推断提供了规范且可扩展的解决方案。
Keyword:
Causal inference
Federated learning
Kernel method
Missing data
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
分享收藏Disentangle Estimation of Causal Effects from Cross-Silo Data从跨数据孤岛数据中解耦因果效应的估计.png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏
分享收藏
查看更多内容