論文の概要: Fed-CausalDiff: Decoupled Synchronization for Federated Do-Simulation and Policy Evaluation

• arxiv url: http://arxiv.org/abs/2606.22510v1
• Date: Sun, 21 Jun 2026 14:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:52:24.126906
• Title: Fed-CausalDiff: Decoupled Synchronization for Federated Do-Simulation and Policy Evaluation
• Title（参考訳）: Fed-CausalDiff:Federated Do-Simulationと政策評価のための分離同期
• Authors: Pengfei Li, Mohammad Khalil,
• Abstract要約: Fed-CausalDiffは、do-simulationのための連合因果拡散フレームワークである。 このアーキテクチャは潜在状態の進化を大域因果点関数と局所共起点関数に分解する。 4つのデータセットの実験により、Fed-CausalDiffはより優れたATEとポリシー値の推定精度を達成することが示された。
• 参考スコア（独自算出の注目度）: 3.969626207862676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While federated learning enables collaborative modelling on decentralised data, standard methods merely fit historical observations. This purely observational approach is fundamentally insufficient for interventional inference and policy evaluation, as sequential actions dynamically alter future states. We propose \textbf{Fed-CausalDiff}, a federated causal diffusion framework for do-simulation. The architecture decomposes the evolution of the latent state into a global causal score function and a local confounding score function. This design enables \emph{decoupled synchronisation} (DSS), where clients aggregate only the shared causal mechanism while retaining site-specific confounders locally to handle heterogeneity. Experiments on four datasets demonstrate that Fed-CausalDiff achieves better ATE and policy-value estimation accuracy, offering a favorable trade-off between communication cost and inference fidelity.
• Abstract（参考訳）: 連合学習は分散データ上で協調的なモデリングを可能にするが、標準的な手法は単に過去の観測に適合する。 この純粋に観察的なアプローチは、シーケンシャルな行動が将来の状態を動的に変化させるため、介入的推論や政策評価には根本的に不十分である。 ドシミュレートのための連合因果拡散フレームワークであるtextbf{Fed-CausalDiff} を提案する。 このアーキテクチャは潜在状態の進化を大域因果点関数と局所共起点関数に分解する。 この設計により、"emph{decoupled synchronisation} (DSS)"が可能となり、クライアントは共有因果メカニズムのみを集約し、サイト固有の共同創設者をローカルに保持して不均一性を処理する。 4つのデータセットの実験により、Fed-CausalDiffはより優れたATEとポリシー-値推定の精度を実現し、通信コストと推論忠実度の間の良好なトレードオフを提供することを示した。

関連論文リスト

• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• Scalable Asynchronous Federated Modeling for Spatial Data [5.741482548419374]
  本研究では,低ランクガウス過程近似に基づく空間データのための非同期フェデレーションモデリングフレームワークを提案する。 独立な理論的重要性の結果として、不安定性に明示的に依存する線形収束を確立する。 数値実験により、非同期アルゴリズムは、バランスの取れたリソース割り当ての下で同期性能を達成することを示した。
  論文  参考訳（メタデータ） (2025-10-02T08:04:46Z)
• FedSC: Federated Learning with Semantic-Aware Collaboration [12.366529890744822]
  フェデレートラーニング(FL)は、プライバシ保護のためのデータを共有することなく、クライアント間で協調的にモデルをトレーニングすることを目的としている。 不均一なクライアント間でクライアント固有のクラス関連知識を収集するために,FedSC(Federated Learning with Semantic-Aware Collaboration)を提案する。
  論文  参考訳（メタデータ） (2025-06-26T05:04:55Z)
• Federated Causal Inference from Multi-Site Observational Data via Propensity Score Aggregation [0.0]
  因果推論は通常、個々のレベルのデータへの集中的なアクセスを仮定する。 本稿では,フェデレートラーニング(FL)手法を用いて,分散化された観測データから平均処理効果(ATE)を推定することにより,この問題に対処する。
  論文  参考訳（メタデータ） (2025-05-23T14:32:57Z)
• 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)
• 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)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• AFAFed -- Protocol analysis [3.016628653955123]
  これは、ストリーム指向IoTアプリケーション環境のための新しいFair Federated Adaptive Learningフレームワークである。 我々は収束特性を分析し、AFAFedの実装面に対処する。
  論文  参考訳（メタデータ） (2022-06-29T22:12:08Z)

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。