論文の概要: A Survey on Federated Causal Discovery and Inference

• arxiv url: http://arxiv.org/abs/2606.23741v1
• Date: Sun, 21 Jun 2026 15:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.593942
• Title: A Survey on Federated Causal Discovery and Inference
• Title（参考訳）: フェデレート因果発見と推論に関する調査
• Authors: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang,
• Abstract要約: 本稿では,連合因果発見 (FCD) と推論 (FCI) の分野を体系的に検討する。 我々は,FCDを方法論的パラダイム,フェデレーショントポロジ,構造的スコープという3つの軸に沿って整理する。 FCIでは,従来の重み付け手法から近代的な深層生成アーキテクチャまで,目標推定法(平均的/個別的/条件的処理効果)と推定方略を分類する。
• 参考スコア（独自算出の注目度）: 37.59422124357773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal reasoning, which encompasses the discovery of causal structures and the inference of causal effects, is fundamental to data-driven decision making. In practice, data for reliable causal analysis are often distributed across institutions and cannot be centralized due to privacy regulations or communication constraints. Federated learning (FL) addresses this by enabling collaborative analysis without raw data sharing, giving rise to the rapidly growing field of federated causal discovery (FCD) and inference (FCI). However, the interdisciplinary nature of this field and the absence of a comprehensive survey present barriers to entry for researchers. This paper bridges that gap by providing a systematic review through multi-dimensional taxonomies. Grounded in the three core design decisions underlying any FCD solution, namely how structures are learned, how data are partitioned, and what structural knowledge each party obtains, we organize FCD along three axes: methodological paradigm, federation topology, and structural scope. We further examine key practical dimensions, including temporal dynamics, data heterogeneity, missing data, and non-identical variable sets. For FCI, we categorize methods by target estimand (average versus individualized/conditional treatment effects) and by estimation strategy, from classical weighting methods to modern deep generative architectures. Unlike prior works that treat FCD and FCI separately, we formalize their connection as complementary stages of a unified federated causal reasoning pipeline, where FCD supplies the structural knowledge required for valid effect estimation in FCI. Finally, we highlight their shared concerns regarding privacy, communication efficiency, theoretical guarantees, and application domains, and conclude by identifying open challenges for future research.
• Abstract（参考訳）: 因果的構造の発見と因果的影響の推測を含む因果的推論は、データ駆動型意思決定の基礎となる。 実際には、信頼できる因果分析のためのデータは、しばしば機関に分散し、プライバシー規制や通信制約のために集中できない。 フェデレートラーニング(FL)は、生のデータ共有なしに協調分析を可能にすることでこの問題に対処し、フェデレーション因果発見(FCD)と推論(FCI)の急速に成長する分野を生み出した。 しかし、この分野の学際的な性質と包括的調査の欠如は、研究者にとって参入の障壁となる。 本稿では,多次元分類学を通して体系的なレビューを提供することにより,そのギャップを埋める。 あらゆるFCDソリューションの根底にある3つの中核的な設計決定、すなわち、構造がどのように学習され、データが分割されるか、そして各パーティが取得する構造的知識に基づいて、FCDを方法論的パラダイム、フェデレーショントポロジ、構造的スコープという3つの軸に沿って編成する。 さらに、時間力学、データ不均一性、欠落データ、非同一変数集合などの重要な実践的次元について検討する。 FCIでは,従来の重み付け手法から近代的な深層生成アーキテクチャまで,目標推定法(平均的/個別的/条件的処理効果)と推定方略を分類する。 FCDとFCIを別々に扱う以前の研究とは異なり、FCDはFCIの有効効果推定に必要な構造知識を提供する統合された因果推論パイプラインの補完的な段階として、それらの接続を形式化する。 最後に、プライバシー、通信効率、理論的保証、アプリケーションドメインに関する共通の懸念を強調し、将来の研究におけるオープンな課題を特定することで結論付けます。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data [1.9797215742507548]
  本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。 次にデータ互換のFast Causal Inference (dcFCI)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T07:05:19Z)
• 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)
• SSL Framework for Causal Inconsistency between Structures and Representations [31.895570222735955]
  因果発見と深層学習の相互補間は、ますます広範囲にわたる相互作用を引き起こしている。 不確定データは、因果構造によって表現される因果関係と、深層学習モデルによって生成される因果表現との間に矛盾がある。 因果不整合を軽減するために,介入に基づく自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T08:29:49Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Federated Causal Discovery From Interventions [35.53403074610876]
  介入サンプルを含む分散データから因果構造を推定するフレームワークであるFedCDIを提案する。 フェデレートされた学習フレームワークに従って、FedCDIは、生サンプルではなく信条更新を交換することで、プライバシを改善する。
  論文  参考訳（メタデータ） (2022-11-07T20:25:48Z)
• A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms [15.483478537540385]
  本稿では,原因発見タスクを変数のパラダイムに従って3つのタイプに分割する。 次に、各タスクに関する関連するデータセットと、同時に構築された最終的な因果モデルを定義し、インスタンス化する。 本稿では、因果発見分野における現在の研究ギャップについて、様々な観点からのロードマップを提案する。
  論文  参考訳（メタデータ） (2022-09-14T01:52:17Z)

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。