論文の概要: Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding

• arxiv url: http://arxiv.org/abs/2603.05149v1
• Date: Thu, 05 Mar 2026 13:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.239108
• Title: Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding
• Title（参考訳）: 潜伏条件下における不均一データセット間のフェデレーション因果発見
• Authors: Maximilian Hahn, Alina Zajak, Dominik Heider, Adèle Helena Ribeiro,
• Abstract要約: FedCIは、異種データセットを処理する条件付き独立テストである。 FedCI-IODは、分散データセットと異種データセットをまたいだ潜在コンバウンディングの下で因果発見を可能にする。 当社のツールは,edCI Pythonパッケージ,IODのプライバシ保護R実装,およびedCI-IODパイプライン用のWebアプリケーションとして公開されています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal discovery across multiple datasets is often constrained by data privacy regulations and cross-site heterogeneity, limiting the use of conventional methods that require a single, centralized dataset. To address these challenges, we introduce fedCI, a federated conditional independence test that rigorously handles heterogeneous datasets with non-identical sets of variables, site-specific effects, and mixed variable types, including continuous, ordinal, binary, and categorical variables. At its core, fedCI uses a federated Iteratively Reweighted Least Squares (IRLS) procedure to estimate the parameters of generalized linear models underlying likelihood-ratio tests for conditional independence. Building on this, we develop fedCI-IOD, a federated extension of the Integration of Overlapping Datasets (IOD) algorithm, that replaces its meta-analysis strategy and enables, for the fist time, federated causal discovery under latent confounding across distributed and heterogeneous datasets. By aggregating evidence federatively, fedCI-IOD not only preserves privacy but also substantially enhances statistical power, achieving performance comparable to fully pooled analyses and mitigating artifacts from low local sample sizes. Our tools are publicly available as the fedCI Python package, a privacy-preserving R implementation of IOD, and a web application for the fedCI-IOD pipeline, providing versatile, user-friendly solutions for federated conditional independence testing and causal discovery.
• Abstract（参考訳）: 複数のデータセットにわたる因果発見は、データプライバシ規制とクロスサイト不均一性によって制約されることが多く、単一の集中型データセットを必要とする従来の方法の使用を制限する。 これらの課題に対処するため,フェデレーションテストであるフェデレーションテストを導入した。フェデレーションテストは,連続変数,順序変数,バイナリ変数,カテゴリ変数を含む,不均一なデータセットを不特定変数,サイト固有のエフェクト,混合変数の集合で厳密に処理する。 中心となるのが、フェデレーション・イテレーテッド・イテレーテッド・リースト・スクエア(IRLS)法(Federated Iteratively Reweighted Least Squares)であり、条件独立性のための確率比テストの基礎となる一般化線形モデルのパラメータを推定する。 そこで我々は,Overlapping Datasets (IOD) アルゴリズムのフェデレーション拡張である FedCI-IOD を開発した。 FedCI-IODは、エビデンスを集約することによって、プライバシを保存するだけでなく、統計力を大幅に強化し、完全にプールされた分析に匹敵するパフォーマンスを達成し、ローカルなサンプルサイズからアーティファクトを緩和する。 当社のツールは,edCI Pythonパッケージ,IODのプライバシ保護R実装,およびedCI-IODパイプライン用のWebアプリケーションとして公開されている。

関連論文リスト

• Personalized Federated Dictionary Learning for Modeling Heterogeneity in Multi-site fMRI Data [14.18552770292156]
  PFedDLは各サイトで独立した辞書学習を行い、各サイト固有の辞書を共有グローバルコンポーネントとパーソナライズされたローカルコンポーネントに分解する。 ABIDEデータセットの実験は、PFedDLが既存の手法よりも精度と堅牢性で、非IIDデータセットよりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-25T00:01:02Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• STSA: Federated Class-Incremental Learning via Spatial-Temporal Statistics Aggregation [64.48462746540156]
  Federated Class-Incremental Learning (FCIL)は、分散データからクラスインクリメンタルラーニングを可能にする。 本稿では,空間的(クライアント間)と時間的(ステージ間)の両方に特徴統計を集約する新しい手法を提案する。 本手法は, 性能, 柔軟性, 通信効率の両面で, 最先端のFCIL法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-02T05:14:57Z)
• AFCL: Analytic Federated Continual Learning for Spatio-Temporal Invariance of Non-IID Data [45.66391633579935]
  Federated Continual Learning (FCL)は、分散クライアントがオンラインタスクストリームからグローバルモデルを協調的にトレーニングすることを可能にする。 FCL法は,分散クライアント間の空間的データ不均一性とオンラインタスク間の時間的データ不均一性の両方の課題に直面している。 凍結抽出特徴量から解析的解(すなわち閉形式)を導出することにより,解析的フェデレート連続学習(AFCL)と呼ばれる勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2025-05-18T05:55:09Z)
• FedMAC: Tackling Partial-Modality Missing in Federated Learning with Cross-Modal Aggregation and Contrastive Regularization [18.276480518649404]
  Federated Learning(FL)は、分散データソースを使用して機械学習モデルをトレーニングする手法である。 本研究ではFedMACという新しいフレームワークを提案し,FLに欠落した部分モダリティ条件下でのマルチモダリティの解消を図った。
  論文  参考訳（メタデータ） (2024-10-04T01:24:02Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• 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)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Robustness and Personalization in Federated Learning: A Unified Approach via Regularization [4.7234844467506605]
  我々は、Fed+と呼ばれる堅牢でパーソナライズされたフェデレーション学習のための一連の方法を提案する。 Fed+の主な利点は、フェデレートトレーニングで見られる現実世界の特徴をよりよく適応することである。 ベンチマークデータセットに関する広範な実験を通じて、Fed+の利点を実証する。
  論文  参考訳（メタデータ） (2020-09-14T10:04:30Z)

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。