論文の概要: Horizontal and Vertical Federated Causal Structure Learning via Higher-order Cumulants

• arxiv url: http://arxiv.org/abs/2507.06888v1
• Date: Wed, 09 Jul 2025 14:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.619549
• Title: Horizontal and Vertical Federated Causal Structure Learning via Higher-order Cumulants
• Title（参考訳）: 高次累積による水平・垂直連成因果構造学習
• Authors: Wei Chen, Wanyang Gu, Linjun Peng, Ruichu Cai, Zhifeng Hao, Kun Zhang,
• Abstract要約: 単一のクライアントでは、不完全な変数のセットは容易に突発的な因果関係をもたらす。 我々は、水平および垂直の連邦設定における因果構造を学習するための識別理論と方法を提供する。 本アルゴリズムは, 合成データと実世界のデータの両方を用いた実験において, 優れた性能を示す。
• 参考スコア（独自算出の注目度）: 26.960249050737588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated causal discovery aims to uncover the causal relationships between entities while protecting data privacy, which has significant importance and numerous applications in real-world scenarios. Existing federated causal structure learning methods primarily focus on horizontal federated settings. However, in practical situations, different clients may not necessarily contain data on the same variables. In a single client, the incomplete set of variables can easily lead to spurious causal relationships, thereby affecting the information transmitted to other clients. To address this issue, we comprehensively consider causal structure learning methods under both horizontal and vertical federated settings. We provide the identification theories and methods for learning causal structure in the horizontal and vertical federal setting via higher-order cumulants. Specifically, we first aggregate higher-order cumulant information from all participating clients to construct global cumulant estimates. These global estimates are then used for recursive source identification, ultimately yielding a global causal strength matrix. Our approach not only enables the reconstruction of causal graphs but also facilitates the estimation of causal strength coefficients. Our algorithm demonstrates superior performance in experiments conducted on both synthetic data and real-world data.
• Abstract（参考訳）: Federated causal discoveryは、データプライバシを保護しながら、エンティティ間の因果関係を明らかにすることを目的としている。 既存のフェデレートされた因果構造学習手法は、主に水平なフェデレートされた設定に焦点を当てている。 しかし、実際の状況では、異なるクライアントが必ずしも同じ変数にデータを格納しているとは限らない。 単一のクライアントでは、不完全な変数のセットは容易に急激な因果関係につながり、それによって他のクライアントに送信される情報に影響を与える。 この問題に対処するため,水平および垂直の連邦設定の下で因果構造学習手法を包括的に検討した。 我々は、高次累積法により、水平および垂直の連邦設定における因果構造を学習するための識別理論と方法を提供する。 具体的には、まず、参加するすべてのクライアントからの上位累積情報を集約し、グローバル累積推定を構築する。 これらの大域的推定は再帰的情報源同定に使われ、最終的には大域的因果的強度行列が生成される。 提案手法は因果グラフの再構成を可能にするだけでなく,因果強度係数の推定を容易にする。 本アルゴリズムは, 合成データと実世界のデータの両方を用いて行った実験において, 優れた性能を示す。

関連論文リスト

• FedSKC: Federated Learning with Non-IID Data via Structural Knowledge Collaboration [43.25824181502647]
  FedSKCのキーとなるアイデアは、相互依存関係データ分散からドメインの好みを抽出し、転送することである。 FedSKCは、コントラスト学習、グローバルな不一致集約、グローバルな期間レビューの3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-05-25T05:24:49Z)
• Federated Out-of-Distribution Generalization: A Causal Augmentation View [1.1484701120095695]
  本稿では,Federated Causal Augmentation法であるFederated Causal Augmentation法を提案する。 因果性にインスパイアされたデータ拡張を使用して、属性とカテゴリ間の急激な相関を断ち切る。 3つのデータセットで実施された実験によると、FedCAugはサンプルラベルを予測するために、モデルがバックグラウンドに依存することを著しく削減している。
  論文  参考訳（メタデータ） (2025-04-28T15:13:48Z)
• Beyond the Federation: Topology-aware Federated Learning for Generalization to Unseen Clients [10.397502254316645]
  フェデレートラーニングは、分散センシティブなデータに取り組むために広く利用されている。 Topology-Aware Federated Learning (TFL)は、オフ・オブ・フェデレーション(OOF)データに対して堅牢なモデルをトレーニングする。 クライアントトポロジ学習(Client Topology Learning)とクライアントトポロジ学習(Learning on Client Topology)という2つの重要なモジュールからなるTFLの新しい最適化問題を定式化する。 様々な実世界のデータセットに対する実証的な評価は、TFLの優れたOOF堅牢性とスケーラビリティを検証する。
  論文  参考訳（メタデータ） (2024-07-06T03:57:05Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Discovery of the Hidden World with Large Language Models [95.58823685009727]
  本稿では,大きな言語モデル(LLM)を導入してギャップを埋めるCausal representatiOn AssistanT(COAT)を提案する。 LLMは世界中の大規模な観測に基づいて訓練されており、構造化されていないデータから重要な情報を抽出する優れた能力を示している。 COATはまた、特定変数間の因果関係を見つけるためにCDを採用し、提案された要因を反復的に洗練するためにLSMにフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Towards Practical Federated Causal Structure Learning [9.74796970978203]
  FedC2SLは、条件付き独立性テストを用いて因果グラフを学習する制約に基づく因果構造学習スキームである。 この研究は、既存のソリューションに対する合成データセットと実世界のデータの両方を用いてFedC2SLを評価する。
  論文  参考訳（メタデータ） (2023-06-15T18:23:58Z)
• Evaluating and Incentivizing Diverse Data Contributions in Collaborative Learning [89.21177894013225]
  フェデレートされた学習モデルがうまく機能するためには、多様で代表的なデータセットを持つことが不可欠である。 データの多様性を定量化するために用いられる統計的基準と、使用するフェデレート学習アルゴリズムの選択が、結果の平衡に有意な影響を及ぼすことを示す。 我々はこれを活用して、データ収集者がグローバルな人口を代表するデータに貢献することを奨励する、シンプルな最適なフェデレーション学習機構を設計する。
  論文  参考訳（メタデータ） (2023-06-08T23:38:25Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
  フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
  論文  参考訳（メタデータ） (2020-12-20T14:34:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。