論文の概要: Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning

• arxiv url: http://arxiv.org/abs/2602.19414v1
• Date: Mon, 23 Feb 2026 01:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.632431
• Title: Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning
• Title（参考訳）: 分散逆推論のための状態空間システムにおけるフェデレーション因果表現学習
• Authors: Nazal Mohamed, Ayush Mohanty, Nagi Gebraeel,
• Abstract要約: 相互依存型産業資産(クライアント)のネットワークは、物理的プロセスと制御インプットを通じて密結合されている。 ひとつのクライアントのアウトプットが、別のクライアントが別の方法で操作された場合、どのように変化するのでしょう? クライアント固有のデータは高次元かつプライベートであり、生データの集中化が不可能であるため、答えは難しい。 状態空間システムにおける因果表現学習のための連合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.122408196953971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Networks of interdependent industrial assets (clients) are tightly coupled through physical processes and control inputs, raising a key question: how would the output of one client change if another client were operated differently? This is difficult to answer because client-specific data are high-dimensional and private, making centralization of raw data infeasible. Each client also maintains proprietary local models that cannot be modified. We propose a federated framework for causal representation learning in state-space systems that captures interdependencies among clients under these constraints. Each client maps high-dimensional observations into low-dimensional latent states that disentangle intrinsic dynamics from control-driven influences. A central server estimates the global state-transition and control structure. This enables decentralized counterfactual reasoning where clients predict how outputs would change under alternative control inputs at others while only exchanging compact latent states. We prove convergence to a centralized oracle and provide privacy guarantees. Our experiments demonstrate scalability, and accurate cross-client counterfactual inference on synthetic and real-world industrial control system datasets.
• Abstract（参考訳）: 相互依存型産業資産(クライアント)のネットワークは物理的プロセスと制御インプットを通じて密結合されており、重要な疑問を提起している。 クライアント固有のデータは高次元かつプライベートであり、生データの集中化が不可能であるため、答えは難しい。 各クライアントは、修正できない独自のローカルモデルも保持する。 このような制約下でクライアント間の相互依存を捉える状態空間システムにおける因果表現学習のための連合フレームワークを提案する。 各クライアントは高次元の観測結果を低次元の潜在状態にマッピングし、制御駆動の影響から内在力学を解き放つ。 中央サーバは、グローバルな状態遷移制御構造を推定する。 これにより、クライアントが別の制御入力の下で出力がどのように変化するかを予測し、コンパクトな潜在状態のみを交換する分散逆ファクト推論が可能になる。 集中したオラクルへの収束を証明し、プライバシーの保証を提供します。 本実験では, 合成および実世界の産業制御システムデータセット上でのスケーラビリティ, 高精度なクロスクライアント対実推定実験を行った。

関連論文リスト

• Federated Granger Causality Learning for Interdependent Clients with State Space Representation [0.6499759302108926]
  我々は、グランガー因果関係を学習するための連合的なアプローチを開発する。 本稿では,サーバが学習したGranger因果関係情報を用いてクライアントモデルを拡張することを提案する。 また、フレームワークの集中的なオラクルモデルへの収束について研究する。
  論文  参考訳（メタデータ） (2025-01-23T18:04:21Z)
• TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning [13.144501509175985]
  本稿では、クライアントの状態とコントリビューションを評価するTRAILと呼ばれるTRust-Aware clIent scheduLing機構を提案する。 我々は、エッジサーバとクライアントが信頼できないクラスタ内モデルアグリゲーションとクラスタ間モデルコンセンサスを使用して、共有グローバルモデルをトレーニングする半分散FLフレームワークに焦点を当てる。 実世界のデータセットで行われた実験では、TRAILは最先端のベースラインを上回っ、テスト精度が8.7%向上し、トレーニング損失が15.3%減少した。
  論文  参考訳（メタデータ） (2024-12-16T05:02:50Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
  非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。 自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。 本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
  論文  参考訳（メタデータ） (2022-11-20T06:13:06Z)

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。