联合因果发现和推理的调查

arXiv:2606.23741v1 公告类型：新 摘要：因果推理，包括因果结构的发现和因果效应的推断，是数据驱动决策的基础。在实践中，用于可靠因果分析的数据通常分布在各个机构中，并且由于隐私法规或通信限制而无法集中。联邦学习 (FL) 通过在无需共享原始数据的情况下实现协作分析来解决这个问题，从而催生了快速增长的联邦因果发现 (FCD) 和推理 (FCI) 领域。然而，该领域的跨学科性质以及缺乏全面调查给研究人员的进入带来了障碍。本文通过多维分类法提供系统回顾，弥补了这一差距。基于任何 FCD 解决方案背后的三个核心设计决策，即如何学习结构、如何划分数据以及各方获得哪些结构知识，我们沿着三个轴组织 FCD：方法范式、联邦拓扑和结构范围。我们进一步研究关键的实际维度，包括时间动态、数据异质性、缺失数据和不相同的变量集。对于 FCI，我们根据目标估计量（平均与个体化/条件治疗效果）和估计策略对方法进行分类，从经典加权方法到现代深度生成架构。与单独处理 FCD 和 FCI 的先前工作不同，我们将它们的连接形式化为统一联合因果推理管道的补充阶段，其中 FCD 提供了 FCI 中有效效果估计所需的结构知识。最后，我们强调了他们对隐私、通信效率、理论保证和应用领域的共同关注，并通过确定未来研究的开放挑战来结束。