具有未知干预的联邦因果发现

Research Paper#Causal Inference, Federated Learning, Privacy🔬 Research|分析: 2026年1月3日 18:34•
发布: 2025年12月29日 17:30
•
1分で読める
•ArXiv

分析

本文解决了联邦因果发现中的一个关键挑战：处理跨客户端的异构和未知干预。 提出的 I-PERI 算法通过恢复更紧密的等价类（Φ-CPDAG）并提供关于收敛性和隐私的理论保证，从而提供了一个解决方案。 这很重要，因为它超越了共享因果模型的理想假设，使得联邦因果发现对于医疗保健等现实世界场景（其中客户端特定的干预很常见）更具实用性。
引用 / 来源
查看原文
"The paper proposes 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."
A
ArXiv2025年12月29日 17:30
* 根据版权法第32条进行合法引用。
较旧

Joint Modeling of Longitudinal and Survival Data: A Bayesian Approach for Predicting Disease Progression

较新

Universal Aging Dynamics and Scaling Laws in Three-Dimensional Driven Granular Gases

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv