🤖 machine learning

A Survey on Federated Causal Discovery and Inference

Diese Arbeit präsentiert eine umfassende Übersicht über föderierte kausale Entdeckung und Inferenz, die einen vereinheitlichten Rahmen bietet, der bestehende Methoden über mehrere Dimensionen hinweg kategorisiert, deren Verbindung als komplementäre Phasen einer kausalen Argumentationspipeline formalisiert und zentrale Herausforderungen sowie zukünftige Forschungsrichtungen identifiziert.

Ursprüngliche Autoren: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang

Veröffentlicht 2026-06-24

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein riesiges Rätsel zu lösen: Warum passieren Dinge?

In der Welt der Daten wird dies als Kausales Schließen (Causal Reasoning) bezeichnet. Es hat zwei Hauptaufgaben:

Kausale Entdeckung (Causal Discovery): Herauszufinden, wie die Landkarte der Ursache-Wirkungs-Zusammenhänge aussieht (z. B. Verursacht Rauchen Krebs, oder ist es nur so, dass Raucher auch Kaffee trinken?).
Kausale Inferenz (Causal Inference): Genau zu messen, wie stark eine Sache eine andere verändert (z. B. Wenn wir mit dem Rauchen aufhören, um wie viel sinkt die Krebsrate?).

Normalerweise muss man, um diese Rätsel zu lösen, alle Hinweise (Daten) in einem einzigen großen Raum sammeln. Aber in der realen Welt sind Daten verstreut. Krankenhäuser, Banken und Fabriken halten ihre eigenen privaten Datensätze fest. Sie können diese nicht teilen, sei es aufgrund von Datenschutzgesetzen (wie HIPAA oder DSGVO) oder weil sie einander nicht vertrauen.

Hier kommt Federated Learning (Föderiertes Lernen) ins Spiel. Stellen Sie sich dies als eine „Geheime Detektivagentur“ vor. Anstatt alle Hinweise in einen Raum zu bringen, bleiben die Detektive (Computer) in ihren eigenen Büros. Sie teilen nur ihre Schlussfolgerungen oder Notizen mit einem zentralen Koordinator, zeigen aber niemals ihre Rohdateien.

Dieses Paper ist ein umfassender Leitfaden für eine neue, hochspezialisierte Version dieser Agentur: Federated Causal Discovery and Inference (FCD & FCI). Es skizziert, wie man diese kausalen Rätsel löst, während die Daten der Beteiligten sicher in ihren eigenen Tresoren bleiben.

Hier ist die Aufschlüsselung der Reise des Papers, einfach erklärt:

1. Die zwei Hauptmissionen

Das Paper unterteilt die Arbeit in zwei unterschiedliche, aber miteinander verbundene Missionen:

Mission A: Federated Causal Discovery (FCD) – „Die Karte zeichnen“
- Das Ziel: Eine vollständige „Ursache-Wirkungs-Karte“ (einen Graphen) zu erstellen, die zeigt, wie Variablen miteinander verbunden sind.
- Die Herausforderung: Wie zeichnet man eine Karte, wenn kein einzelner Detektiv das gesamte Gelände gesehen hat?
- Die Lösung: Jeder Detektiv zeichnet eine kleine lokale Karte basierend auf seinen eigenen Hinweisen. Sie senden ihre Kartenfragmente an das zentrale Hauptquartier (HQ). Das HQ fügt sie zu einer einzigen, globalen Karte zusammen, ohne jemals das eigentliche Gelände gesehen zu haben.
- Die Taxonomie des Papers: Die Autoren ordnen die verschiedenen Wege, dies zu tun, in drei Kategorien ein:
  - Wie sie denken: Testen sie Regeln (Constraint-based), versuchen sie, den besten Score zu finden (Score-based) oder nutzen sie glatte Mathematik (Continuous Optimization)?
  - Wie sie angeordnet sind: Haben sie alle die gleichen Variablen (Horizontal), verschiedene Variablen für dieselben Personen (Vertical) oder eine Mischung (Hybrid)?
  - Was sie sehen: Versuchen sie, die ganze Welt abzubilden (Global) oder nur die Nachbarschaft um eine bestimmte Variable herum (Local)?
Mission B: Federated Causal Inference (FCI) – „Die Auswirkung messen“
- Das Ziel: Sobald die Karte gezeichnet ist: Wie sehr verändert eine bestimmte Handlung (wie ein neues Medikament) das Ergebnis (wie etwa die Genesung eines Patienten)?
- Die Herausforderung: Wenn man einfach nur Daten aus verschiedenen Krankenhäusern kombiniert, könnte man das falsche Ergebnis erhalten, weil die Krankenhäuser unterschiedliche Arten von Patienten behandeln.
- Die Lösung: Die Detektive nutzen spezielle mathematische Tricks (wie Gewichtung oder Matching), um Äpfel mit Äpfeln über verschiedene Standorte hinweg zu vergleichen, ohne dabei Patientennamen preiszugeben.
- Die Taxonomie des Papers: Sie kategorisieren diese Methoden nach:
  - Was sie messen: Den durchschnittlichen Effekt auf alle (ATE) oder den Effekt auf spezifische Individuen (ITE/CATE).
  - Wie sie es berechnen: Durch Nutzung von Gewichtungen, Matching von Personen, Deep-Learning-KI oder Bayesscher Statistik.

2. Die geheime Verbindung: Die Pipeline

Das Paper stellt einen entscheidenden Punkt klar: Discovery und Inference sind beste Freunde.

Man benötigt normalerweise zuerst die Karte (Discovery), um zu wissen, welche Variablen man kontrollieren muss, wenn man den Einfluss (Inference) misst.
Die Autoren visualisieren dies als eine Pipeline: Zuerst baut das Team gemeinsam die Karte. Dann nutzt es diese Karte, um den Behandlungseffekt zu berechnen.
Der Haken: Wenn die Karte falsch ist, wird auch die Messung falsch sein. Das Paper hebt hervor, dass wir vorsichtig sein müssen, wie Fehler im ersten Schritt die Auswirkungen auf den zweiten Schritt beeinflussen, insbesondere wenn die Privatsphäre im Spiel ist.

3. Die Hürden (Warum ist das schwierig?)

Das Paper weist auf mehrere „Bösewichte“ hin, die dies erschweren:

Das Problem der „verschiedenen Sprachen“ (Heterogenität): Krankenhaus A misst den Blutdruck vielleicht in mmHg, während Krankenhaus B eine andere Skala verwendet. Oder Krankenhaus A hat Daten zu „Rauchen“, aber Krankenhaus B hat diese nicht. Die Algorithmen müssen über diese Unterschiede hinweg kommunizieren können.
Das Problem der „fehlenden Hinweise“ (Missing Data): Manchmal sind Daten einfach verschwunden. Wenn Krankenhaus A 50 % seiner Datensätze vermisst und Krankenhaus B 10 %, ist die Zusammenführung schwierig.
Der „Privatsphäre vs. Genauigkeit“-Trade-off: Um Daten sicher zu halten, fügt man „Rauschen“ hinzu (wie statisches Rauschen im Radio). Zu viel Rauschen macht die Karte unscharf; zu wenig verletzt die Privatsphäre. Das richtige Gleichgewicht zu finden, ist eine große Herausforderung.
Die „Kommunikationskosten“: Das Senden einer ganzen Karte (oder eines riesigen KI-Modells) hin und her kostet viel Zeit und Bandbreite. Das Paper sucht nach Wegen, nur die „wesentlichen Notizen“ statt des ganzen Buches zu versenden.

4. Wo wird das eingesetzt? (Laut dem Paper)

Die Autoren listen spezifische reale Szenarien auf, in denen diese „Geheime Detektivagentur“ bereits getestet oder vorgeschlagen wird:

Gesundheitswesen: Vergleich der Wirksamkeit von Medikamenten über verschiedene Länder hinweg, ohne Patientendaten zu teilen (z. B. Studien zu COVID-19-Impfstoffen, Alzheimer-Forschung).
Fertigung: Herausfinden, warum eine Maschine in einer Fabrik Defekte produziert, indem man sie mit anderen Fabriken vergleicht, ohne Geschäftsgeheimnisse preiszugeben.
Soziale Medien: Verstehen, wie die Moderation von Inhalten die Nutzerinteraktion auf verschiedenen Plattformen beeinflusst, ohne individuelle Nutzerdaten einzusehen.
Wirtschaft: Bewertung von Regierungsmaßnahmen über verschiedene Regionen hinweg, ohne sensible Finanzdaten zu zentralisieren.
Fairness: Überprüfung, ob Algorithmen bei der Einstellung gegenüber bestimmten Gruppen voreingenommen sind, ohne die Identitäten der Bewerber preiszugeben.

5. Was kommt als Nächstes? (Die offenen Herausforderungen)

Das Paper schließt mit der Feststellung, dass das Feld noch jung ist und mehr Arbeit benötigt:

Bessere Karten: Wir brauchen bessere Wege, um „vertikale“ Setups (bei denen verschiedene Personen über unterschiedliche Variablen verfügen) zu handhaben.
Stärkere Privatsphäre: Wir benötigen mathematische Garantien, dass niemand schummeln und Daten aus den geteilten „Notizen“ stehlen kann.
Standardtests: Wir brauchen einen gemeinsamen „Prüfungsstandard“ oder Benchmark, damit Forscher ihre Methoden fair vergleichen können.
KI-Assistenten: Könnten Large Language Models (LLMs) helfen, die kausalen Karten vorzuschlagen, um den Prozess zu beschleunigen?

Zusammenfassung

Kurz gesagt ist dieses Paper eine Roadmap für eine neue Ära der Datenwissenschaft. Es lehrt uns, wie wir die Fragen „Wer hat was verursacht?“ und „Wie sehr hat es etwas verändert?“ lösen können, wenn die Daten über die ganze Welt verstreut und hinter Privatsphäre-Mauern eingeschlossen sind. Es ordnet die unübersichtliche Landschaft der aktuellen Forschung in eine klare Struktur und zeigt uns, wo die Werkzeuge liegen, wo sie fehlen und wie wir eine bessere, privatere Zukunft für datengesteuerte Entscheidungsfindungen aufbauen können.

Technisches Resümee: Ein Survey über Federated Causal Discovery und Inference

1. Problemdefinition

Die Arbeit befasst sich mit der kritischen Herausforderung, kausale Schlussfolgerungen zu ziehen, wenn Daten über mehrere Institutionen (z. B. Krankenhäuser, Banken, Forschungszentren) verteilt sind, die aufgrund von Datenschutzbestimmungen (z. B. DSGVO, HIPAA) und Kommunikationsbeschränkungen keine Rohdaten teilen können oder wollen. Während das föderierte Lernen (Federated Learning, FL) erfolgreiches kollaboratives überwachtes Lernen ermöglicht hat, führt die Integration mit kausalen Frameworks spezifische Schwierigkeiten ein.

Die Arbeit konzentriert sich auf zwei komplementäre Aufgaben:

Federated Causal Discovery (FCD): Die Aufgabe, die globale kausale Struktur (gerichteter azyklischer Graph, DAG) aus verteilten Beobachtungsdaten zu rekonstruieren, ohne die Rohdaten zu zentralisieren.
Federated Causal Inference (FCI): Die Aufgabe, kausale Effekte (z. B. den durchschnittlichen Behandlungseffekt, Average Treatment Effect, ATE) über verteilte Populationen hinweg zu quantifizieren, was eine Anpassung an Confounder erfordert, die über die Verteilung oder den Mechanismus zwischen den Standorten variieren können.

Identifizierte Kernherausforderungen umfassen:

Strukturelle Einschränkungen: Das Erzwingen globaler Azyklizität in einer verteilten Umgebung ist kombinatorisch schwierig.
Heterogenität: Clients besitzen oft heterogene kausale Mechanismen (unterschiedliche bedingte Verteilungen $P(X_i | Pa(X_i))$ ) und beobachten möglicherweise nicht identische Sätze von Variablen, was die Annahmen des Standard-FL verletzt.
Identifizierbarkeit: Kausale Schlussfolgerungen hängen von ausreichenden Konditionierungsmengen und funktionalen Annahmen ab, was komplex wird, wenn Daten partitioniert sind.

2. Methodik und Taxonomie

Die Arbeit bietet einen systematischen Review, der durch multidimensionale Taxonomien organisiert ist, was sie von bisherigen breiten Surveys zu „Causality for FL“ unterscheidet.

Federated Causal Discovery (FCD)

Die Autoren organisieren FCD-Methoden entlang drei Achsen:

Methodologisches Paradigma:
- Constraint-Based (Beschränkungsbasiert): Adaptionen von PC- und FCI-Algorithmen (z. B. FedPC, FedC2SL), die föderierte bedingte Unabhängigkeitstests (CI-Tests) durchführen. Diese stehen vor Herausforderungen bezüglich der Fehlerfortpflanzung und der Zuverlässigkeit von CI-Tests höherer Ordnung in verteilten Umgebungen.
- Score-Based (Bewertungsbasiert): Methoden (z. B. DARLS, FedGES), die ein globales Bewertungskriterium (wie BIC) über DAG-Räume oder Ordnungen optimieren. Die Herausforderungen liegen in super-exponentiellen Suchräumen und der Sensitivität gegenüber lokalen Stichprobengrößen.
- Kontinuierliche Optimierung: Erweiterungen des NOTEARS-Frameworks (z. B. NOTEARS-ADMM, FedDAG), die das Lernen von DAGs als kontinuierliches Programm formulieren, das mittels verteilter Gradientenoptimierung lösbar ist. Diese stehen vor Problemen mit Nicht-Konvexität und hohen Kommunikationskosten ( $O(d^2)$ ).
- Hybrid/Sonstige: Methoden, die Paradigmen kombinieren oder spezifische Settings wie interventionale Daten (FedCDI) oder fehlende Daten (FedImpCSL) adressieren.
Federation-Topologie:
- Horizontal: Clients teilen Variablen, haben aber unterschiedliche Stichproben (das dominante Setting).
- Vertikal: Clients teilen Entitäten, haben aber unterschiedliche Variablen (z. B. PP-BN(V), VertiBayes).
- Hybrid: Sowohl Stichproben als auch Variablen unterscheiden sich zwischen den Clients.
Struktureller Umfang:
- Global: Lernen des vollständigen DAG über alle Variablen hinweg.
- Lokal: Lernen nur der Eltern/Kinder einer spezifischen Zielvariable (z. B. FedLCS).

Federated Causal Inference (FCI)

FCI-Methoden werden nach folgenden Kriterien kategorisiert:

Ziel-Estimand: Durchschnittlicher Behandlungseffekt (ATE) vs. individualisierte/bedingte durchschnittliche Behandlungseffekte (ITE/CATE).
Schätzstrategie:
- Inverse Probability Weighting (IPW): Föderierte Aggregation von Propensity Scores (z. B. FedIPW-MLE, Fed-IPW).
- Doubly Robust/Augmented: Methoden wie FedAIPW und FACE, die Outcome-Regression und Propensity-Weighting für Robustheit kombinieren.
- Matching: Föderiertes Propensity Score Matching (z. B. FPSM, MVAgg).
- Deep Generative/Transformer: Verwendung von VAEs und Transformern (z. B. FedTEDVAE, FedTransTEE), um Repräsentationen zu lernen, wobei diese jedoch oft keine formalen theoretischen Garantien bieten.
- Spezialisiert: Methoden für Überlebensanalyse (FL-TTE), Instrumentvariablen (FedIV) und Double Machine Learning (FDML).

Die vereinheitlichte Pipeline

Ein zentraler methodischer Beitrag der Arbeit ist die Formalisierung der Verbindung zwischen FCD und FCI. Die Autoren schlagen eine vereinheitlichte Pipeline vor, bei der FCD als vorgelagerte Stufe dient, um gültige Anpassungsmengen (via Back-door-Kriterium) für FCI zu identifizieren. Sie analysieren die Fortpflanzung struktureller Unsicherheit (z. B. Mehrdeutigkeit der Markov-Äquivalenzklasse) von der Entdeckungsphase zur Inferenzphase und stellen fest, dass naive Punktschätzungen zu übermäßig selbstbewussten Schlussfolgerungen führen können.

3. Kernbeiträge

Die Arbeit beansprucht die folgenden Beiträge:

Umfassender Umfang: Sie bietet den ersten dedizierten, feingliedrigen Survey sowohl für FCD als auch für FCI und geht über die breitere „Causality for FL“-Perspektive hinaus, indem sie sich auf die Kernalgorithmen des verteilten Strukturlernens und der Effektabschätzung konzentriert.
Neuartige Taxonomien: Sie führt eine Drei-Achsen-Taxonomie für FCD (Methodik $\times$ Topologie $\times$ Umfang) und eine Zwei-Achsen-Taxonomie für FCI (Estimand $\times$ Strategie) ein, was einen prinzipiellen Vergleich über Dimensionen ermöglicht, die zuvor nicht synthetisiert wurden.
Formalisierung der Pipeline: Sie formalisiert explizit die Abhängigkeit zwischen FCD und FCI, analysiert, wie Struktur-Lernen die Effektabschätzung beeinflusst und wie Fehler fortpflanzt werden – eine Verbindung, die in der bisherigen Literatur weitgehend unerforscht ist.
Systematischer Vergleich: Sie bietet detaillierte Zusammenfassungstabellen, die Methoden basierend auf Privacy-Mechanismen, Kommunikationseffizienz, theoretischen Garantien und dem Umgang mit praktischen Problemen wie Heterogenität und fehlenden Daten vergleichen.

4. Ergebnisse und Analyse

Der Survey synthetisiert Erkenntnisse aus der bestehenden Literatur, anstatt neue experimentelle Ergebnisse zu präsentieren. Zentrale analytische Beobachtungen sind:

Dominanz von Horizontalem FL: Die meiste bestehende Arbeit konzentriert sich auf horizontale Partitionierung; vertikale und hybride Settings bleiben trotz ihrer praktischen Relevanz deutlich untererforscht.
Umgang mit Heterogenität: Während frühe Methoden von homogenen Daten ausgingen, haben neuere Arbeiten (z. B. FedDAG, FedCDH) begonnen, heterogene kausale Mechanismen und nicht-identische Variablen-Sets zu adressieren.
Privacy-Lücken: Die Mehrheit der Methoden beruht auf der impliziten Annahme, dass das Nicht-Teilen von Rohdaten für den Datenschutz ausreicht. Nur wenige Methoden (z. B. PERI, I-PERI, Fed-Sparse-BNSL) bieten formale Differential Privacy (DP) Garantien.
Kommunikationseffizienz: Methoden der kontinuierlichen Optimierung verursen oft hohe Kommunikationskosten ( $O(d^2)$ ) durch Matrix-Austausch, während Score-basierte und Constraint-basierte Methoden stark variieren.
Theoretische Grenzen: Konvergenzgarantien sind rar gesät. Nur wenige Methoden (z. B. DARLS, FDBNL) bieten formale Konvergenzraten an, und Minimax-Raten für föderierte kausale Entdeckung unter Heterogenität bleiben eine offene theoretische Frage.

5. Bedeutung und zukünftige Richtungen

Die Arbeit positioniert sich als grundlegende Referenz für Forscher, die in das Feld des föderierten kausalen Schließens eintreten. Ihre Bedeutung liegt in der Überbrückung der Lücke zwischen den interdisziplinären Feldern der kausalen Inferenz und des Federated Learning durch Bereitstellung eines strukturierten Rahmens zur Navigation durch die komplexe Landschaft der Algorithmen.

Die Autoren identifizieren mehrere offene Herausforderungen für die zukünftige Forschung:

Formale Privacy-Garantien: Entwicklung enger Kompositions-Theoreme für Multi-Round-Kausal-Protokolle und Charakterisierung des Privacy-Utility-Trade-offs beim Strukturlernen.
Kommunikationseffizienz: Design von Protokollen für hochdimensionale Settings, wie z. B. Gradientenkompression und One-Shot-Aggregation-Strategien.
Theoretische Fundamente: Etablierung von Finite-Sample-Identifizierbarkeitsbedingungen, Minimax-Raten und semiparametrischen Effizienzgrenzen für föderierte Schätzer.
Vertikale und Hybride Settings: Erstellung skalierbarer Protokolle für Settings, in denen Clients unterschiedliche Variablen halten.
Verbindung von Discovery und Inference: Entwicklung von End-to-End-Pipelines, die Struktur-Lernen und Effektabschätzung gemeinsam optimieren, sowie Methoden, um strukturelle Unsicherheit in Effekt-Schätzungen zu propagieren.
Komplexe Settings: Erweiterung der Methoden zur Handhabung latenter Confounder (PAGs), zeitvarianter Behandlungen, Mediationsanalyse und Counterfactual-Reasoning.
Benchmarks: Dem Feld mangelt es an standardisierten Benchmarks; die Autoren fordern Community-Benchmarks mit realistischer Heterogenität, fehlenden Daten und Ground-Truth-Strukturen.

Die Arbeit schließt mit dem Hinweis, dass zwar signifikante Fortschritte erzielt wurden, das Feld jedoch strengere theoretische Fundamente, standardisierte Evaluierungen und skalierbare Lösungen benötigt, um das volle Potenzial des föderierten kausalen Schließens in Bereichen wie Gesundheitswesen, Wirtschaft und Ingenieurwesen auszuschöpfen.