論文の概要: Regret-Based Federated Causal Discovery with Unknown Interventions
- arxiv url: http://arxiv.org/abs/2512.23626v1
- Date: Mon, 29 Dec 2025 17:30:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:30.597728
- Title: Regret-Based Federated Causal Discovery with Unknown Interventions
- Title（参考訳）: 未知の介入によるレグレトベースフェデレーション因果発見
- Authors: Federico Baldo, Charles K. Assaad,
- Abstract要約: I-PERIは、まずクライアントグラフの結合のCPDAGを復元し、次にクライアント間の干渉によって引き起こされる構造的差異を利用してエッジを配向する新しいアルゴリズムである。
本稿では,I-PERIの収束と,そのプライバシー保護特性に関する理論的保証と,提案アルゴリズムの有効性を示す合成データに対する実証評価について述べる。
- 参考スコア（独自算出の注目度）: 5.500249707065663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most causal discovery methods recover a completed partially directed acyclic graph representing a Markov equivalence class from observational data. Recent work has extended these methods to federated settings to address data decentralization and privacy constraints, but often under idealized assumptions that all clients share the same causal model. Such assumptions are unrealistic in practice, as client-specific policies or protocols, for example, across hospitals, naturally induce heterogeneous and unknown interventions. In this work, we address federated causal discovery under unknown client-level interventions. We propose I-PERI, a novel federated algorithm that first recovers the CPDAG of the union of client graphs and then orients additional edges by exploiting structural differences induced by interventions across clients. This yields a tighter equivalence class, which we call the $\mathbfΦ$-Markov Equivalence Class, represented by the $\mathbfΦ$-CPDAG. We provide theoretical guarantees on the convergence of I-PERI, as well as on its privacy-preserving properties, and present empirical evaluations on synthetic data demonstrating the effectiveness of the proposed algorithm.
- Abstract（参考訳）: ほとんどの因果探索法は、観測データからマルコフ同値類を表す完備部分有向非巡回グラフを復元する。
最近の作業では、これらの手法をフェデレーションされた設定に拡張して、データの分散化とプライバシ制約に対処しているが、すべてのクライアントが同じ因果モデルを共有するという理想化された仮定の下にあることが多い。
このような仮定は実際には非現実的であり、例えば、病院全体にわたるクライアント固有のポリシーやプロトコルは、自然に異質で未知の介入を引き起こす。
本研究では,未知のクライアントレベルの介入の下でのフェデレーション因果発見に対処する。
I-PERIは、クライアントグラフの結合のCPDAGを最初に回収し、クライアント間の干渉によって引き起こされる構造的差異を利用して追加エッジを配向する、新しいフェデレーションアルゴリズムである。
これによりより厳密な同値類が得られ、これは $\mathbf $-Markov 同値類と呼ばれ、$\mathbf $-CPDAG で表される。
本稿では,I-PERIの収束と,そのプライバシー保護特性に関する理論的保証と,提案アルゴリズムの有効性を示す合成データに対する実証評価について述べる。
関連論文リスト
- Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。
本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。
我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文 参考訳（メタデータ） (2025-11-14T03:05:22Z) - FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。
提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。
実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
論文 参考訳（メタデータ） (2025-08-08T11:34:01Z) - Equitable Federated Learning with Activation Clustering [5.116582735311639]
フェデレートラーニング(Federated Learning)は、さまざまなクライアント間のコラボレーションを取り入れた、卓越した分散学習パラダイムである。
本稿では,クライアント同士の類似度に基づいて,クライアントを分類・クラスタ化する同値クラスタリングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-24T23:36:39Z) - Distributionally Robust Clustered Federated Learning: A Case Study in Healthcare [9.433126190164224]
CS-RCFL(Cross-silo Robust Clustered Federated Learning)と呼ばれる新しいアルゴリズムを導入する。
我々は,各クライアントの経験的分布の周囲にあいまいな集合を構築し,ローカルデータの分布シフトをキャプチャする。
そこで我々は,モデルに依存しない整数分数プログラムを提案し,クライアントの連立への最適分布的ロバストなクラスタリングを決定する。
論文 参考訳（メタデータ） (2024-10-09T16:25:01Z) - Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-02-20T18:53:53Z) - Bayesian causal discovery from unknown general interventions [55.2480439325792]
本稿では,観測データと介入実験データを組み合わせたDAG(Cousal Directed Acyclic Graphs)の学習問題について考察する。
我々は,DAG,介入対象,誘導親集合上の後続分布を近似するマルコフ連鎖モンテカルロスキームを開発した。
論文 参考訳（メタデータ） (2023-12-01T11:30:51Z) - Adaptive Federated Learning via New Entropy Approach [14.595709494370372]
Federated Learning (FL) は、分散機械学習フレームワークとして注目されている。
本稿では,不均一クライアント間のパラメータ偏差を軽減するために,entropy理論(FedEnt)に基づく適応型FEDerated Learningアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-27T07:57:04Z) - Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。
本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。
提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文 参考訳（メタデータ） (2023-01-03T05:38:43Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Understanding Clipping for Federated Learning: Convergence and
Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。
本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文 参考訳（メタデータ） (2021-06-25T14:47:19Z)
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。