🤖 machine learning

A Survey on Federated Causal Discovery and Inference

Este artículo presenta un estudio exhaustivo sobre el descubrimiento e inferencia causal federada, ofreciendo un marco unificado que categoriza los métodos existentes a través de múltiples dimensiones, formaliza su conexión como etapas complementarias de un proceso de razonamiento causal e identifica desafíos clave y futuras direcciones de investigación.

Autores originales: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang

Publicado 2026-06-24

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de resolver un misterio masivo: ¿Por qué suceden las cosas?

En el mundo de los datos, esto se llama Razonamiento Causal. Tiene dos tareas principales:

Descubrimiento Causal: Averiguar el mapa de quién causa qué (por ejemplo, ¿fumar causa cáncer, o es simplemente que los fumadores también beben café?).
Inferencia Causal: Medir exactamente cuánto una cosa cambia a otra (por ejemplo, si dejamos de fumar, ¿cuánto disminuye la tasa de cáncer?).

Normalmente, para resolver estos misterios, necesitas reunir todas las pistas (datos) en una sola habitación gigante. Pero en el mundo real, los datos están dispersos. Los hospitales, los bancos y las fábricas poseen sus propios registros privados. No pueden compartirlos debido a las leyes de privacidad (como HIPAA o GDPR) o porque no confían entre sí.

Entra en escena el Aprendizaje Federado. Piensa en esto como una "Agencia de Detectives Secretos". En lugar de llevar todas las pistas a una sola habitación, los detectives (computadoras) se quedan en sus propias oficinas. Solo comparten sus conclusiones o notas con un coordinador central, nunca mostrando sus archivos originales.

Este artículo es una guía exhaustiva para una versión nueva y súper especializada de esta agencia: el Descubrimiento y la Inferencia Causal Federada (FCD e FCI). Traza el mapa de cómo resolver estos misterios causales manteniendo los datos de todos bajo llave en sus propias cajas fuertes.

Aquí está el desglose del viaje del artículo, explicado de forma sencilla:

1. Las Dos Misiones Principales

El artículo divide el trabajo en dos misiones distintas pero conectadas:

Misión A: Descubrimiento Causal Federado (FCD) – "Dibujar el Mapa"
- El Objetivo: Construir un "Mapa de Causa y Efecto" completo (un grafo) que muestre cómo se conectan las variables.
- El Desafío: ¿Cómo dibujas un mapa cuando ningún detective ha visto todo el terreno?
- La Solución: Cada detective dibuja un pequeño mapa local basado en sus propias pistas. Envían sus fragmentos de mapa a la sede central. La sede central los une para formar un gran mapa global sin haber visto nunca el terreno real.
- La Taxonomía del Artículo: Los autores organizan todas las diferentes formas de hacer esto en tres categorías:
  - Cómo piensan: ¿Prueban reglas (basado en restricciones), intentan encontrar la mejor puntuación (basado en puntuación) o usan matemáticas suaves (optimización continua)?
  - Cómo están dispuestos: ¿Todos tienen las mismas variables (horizontal), diferentes variables para las mismas personas (vertical) o una mezcla (híbrido)?
  - Qué ven: ¿Intentan mapear el mundo entero (global) o solo el vecindario alrededor de una variable específica (local)?
Misión B: Inferencia Causal Federada (FCI) – "Medir el Impacto"
- El Objetivo: Una vez trazado el mapa, ¿cuánto cambia una acción específica (como un nuevo fármaco) el resultado (como la recuperación del paciente)?
- El Desafío: Si solo combinas datos de diferentes hospitales, podrías obtener la respuesta incorrecta porque los hospitales tratan a tipos de pacientes diferentes.
- La Solución: Los detectives utilizan trucos matemáticos especiales (como la ponderación o el emparejamiento) para comparar manzanas con manzanas a través de diferentes ubicaciones, todo ello sin compartir los nombres de los pacientes.
- La Taxonomía del Artículo: Categorizan estos métodos por:
  - Qué miden: El efecto promedio en todos (ATE) o el efecto en individuos específicos (ITE/CATE).
  - Cómo lo calculan: Usando pesos, emparejando personas, aprendizaje profundo (deep learning) o estadística bayesiana.

2. La Conexión Secreta: El Pipeline

El artículo hace un punto crucial: el Descubrimiento y la Inferencia son mejores amigos.

Normalmente necesitas el Mapa (Descubrimiento) primero para saber qué variables ajustar al medir el Impacto (Inferencia).
Los autores visualizan esto como un Pipeline (tubería de procesos): Primero, el equipo construye el mapa juntos. Luego, usan ese mapa para calcular el efecto del tratamiento.
El Gancho: Si el mapa es erróneo, la medición será errónea. El artículo destaca que debemos tener cuidado con cómo los errores en el primer paso afectan al segundo, especialmente cuando hay privacidad de por medio.

3. Los Obstáculos (¿Por qué es difícil?)

El artículo señala varios "villanos" que hacen esto difícil:

El Problema de los "Diferentes Lenguajes" (Heterogeneidad): El Hospital A podría medir la presión arterial en mmHg, mientras que el Hospital B utiliza una escala diferente. O bien, el Hospital A tiene datos sobre "fumar", pero el Hospital B no los tiene. Los algoritmos tienen que comunicarse a través de estas diferencias.
El Problema de las "Pistas Faltantes" (Datos Faltantes): A veces los datos simplemente no están. Si al Hospital A le falta el 50% de sus registros y al Hospital B le falta el 10%, combinarlos es complicado.
El Intercambio entre "Privacidad y Precisión": Para mantener los datos seguros, añadimos "ruido" (como la estática en una radio). Demasiado ruido, y el mapa se vuelve borroso; muy poco, y la privacidad se rompe. Encontrar el punto de equilibrio es un desafío importante.
El "Costo de Comunicación": Enviar un mapa completo (o un modelo de IA enorme) de ida y vuelta requiere mucho tiempo y ancho de banda. El artículo busca formas de enviar solo las "notas esenciales" en lugar del libro completo.

4. ¿Dónde se utiliza esto? (Según el artículo)

Los autores enumeran escenarios del mundo real donde este "Agencia de Detectives Secretos" ya se está probando o proponiendo:

Atención Médica: Comparar la efectividad de los fármacos en diferentes países sin compartir los registros de los pacientes (por ejemplo, estudios de la vacuna contra el COVID-19, investigación sobre el Alzheimer).
Manufactura: Averiguar por qué una máquina en una fábrica está produciendo defectos comparándola con otras fábricas sin revelar secretos comerciales.
Redes Sociales: Comprender cómo la moderación de contenido afecta el compromiso (engagement) del usuario a través de diferentes plataformas sin ver los datos individuales de los usuarios.
Economía: Evaluar políticas gubernamentales en diferentes regiones sin centralizar datos financieros sensibles.
Equidad (Fairness): Comprobar si los algoritmos de contratación son sesgados contra ciertos grupos a través de diferentes empresas sin revelar la identidad de los solicitantes.

5. ¿Qué sigue? (Los Desafíos Abiertos)

El artículo concluye diciendo que el campo es joven y necesita más trabajo:

Mejores Mapas: Necesitamos mejores formas de manejar configuraciones "Verticales" (donde diferentes personas tienen diferentes variables).
Privacidad más Fuerte: Necesitamos garantías matemáticas de que nadie puede hacer trampa y robar los datos a partir de las "notas" que se comparten.
Pruebas Estándar: Necesitamos un "examen" o benchmark común para que los investigadores puedan comparar sus métodos de manera justa.
Asistentes de IA: ¿Podrían los Modelos de Lenguaje Extensos (LLMs) ayudar a sugerir los mapas causales para acelerar el proceso?

Resumen

En resumen, este artículo es un mapa de ruta para una nueva era de la ciencia de datos. Nos enseña cómo resolver las preguntas "¿Quién causó qué?" y "¿Cuánto cambió?" cuando los datos están dispersos por el mundo y encerrados tras muros de privacidad. Organiza el desordenado panorama de la investigación actual en una estructura clara, mostrándonos dónde están las herramientas, dónde faltan y cómo construir un futuro mejor y más privado para la toma de decisiones basada en datos.

Resumen Técnico: Una Encuesta sobre el Descubrimiento e Inferencia Causal Federada

1. Definición del Problema

El artículo aborda el desafío crítico de realizar razonamiento causal cuando los datos están distribuidos en múltiples instituciones (por ejemplo, hospitales, bancos, centros de investigación) que no pueden o no quieren compartir registros brutos debido a regulaciones de privacidad (por ejemplo, GDPR, HIPAA) y restricciones de comunicación. Si bien el Aprendizaje Federado (FL, por sus siglas en inglés) ha permitido con éxito el aprendizaje supervisado colaborativo, su integración con los marcos causales introduce dificultades distintivas.

El artículo se centra en dos tareas complementarias:

Descubrimiento Causal Federado (FCD): La tarea de recuperar la estructura causal global (Grafo Acíclico Dirigido, DAG) a partir de datos observacionales distribuidos sin centralizar los datos brutos.
Inferencia Causal Federada (FCI): La tarea de cuantificar los efectos causales (por ejemplo, el Efecto de Tratamiento Promedio, ATE) a través de poblaciones distribuidas, lo que requiere el ajuste por confundidores que pueden variar en distribución o mecanismo entre los sitios.

Los desafíos clave identificados incluyen:

Restricciones Estructurales: Imponer la aciclicidad global en un entorno distribuido es combinatoriamente difícil.
Heterogeneidad: Los clientes suelen poseer mecanismos causales heterogéneos (distribuciones condicionales $P(X_i | Pa(X_i))$ diferentes) y pueden observar conjuntos de variables no idénticos, lo que viola las suposiciones del FL estándar.
Identificabilidad: Las conclusiones causales dependen de conjuntos de condicionamiento suficientes y suposiciones funcionales, que se vuelven complejas cuando los datos están particionados.

2. Metodología y Taxonomía

El artículo proporciona una revisión sistemática organizada a través de taxonomías multidimensionales, distinguiéndose de las encuestas previas generales sobre "Causalidad para FL".

Descubrimiento Causal Federado (FCD)

Los autores organizan los métodos de FCD a lo largo de tres ejes:

Paradigma Metodológico:
- Basado en Restricciones: Adaptaciones de los algoritmos PC y FCI (por ejemplo, FedPC, FedC2SL) que realizan pruebas de independencia condicional (CI) federadas. Estos enfrentan desafíos con la propagación de errores y la fiabilidad de las pruebas de CI de alto orden en entornos distribuidos.
- Basado en Puntuación (Score-Based): Métodos (por ejemplo, DARLS, FedGES) que optimizan un criterio de puntuación global (como BIC) sobre espacios de DAG u ordenamientos. Los desafíos incluyen espacios de búsqueda super exponenciales y la sensibilidad a los tamaños de muestra locales.
- Optimización Continua: Extensiones del marco de trabajo NOTEARS (por ejemplo, NOTEARS-ADMM, FedDAG) que reformulan el aprendizaje de DAG como un programa continuo resoluble mediante optimización distribuida basada en gradientes. Estos enfrentan problemas de no convexidad y altos costos de comunicación ( $O(d^2)$ ).
- Híbridos/Otros: Métodos que combinan paradigmas o abordan configuraciones específicas como datos intervencionales (FedCDI) o datos faltantes (FedImpCSL).
Topología de la Federación:
- Horizontal: Los clientes comparten variables pero tienen muestras diferentes (el escenario dominante).
- Vertical: Los clientes comparten entidades pero tienen variables diferentes (por ejemplo, PP-BN(V), VertiBayes).
- Híbrida: Tanto las muestras como las variables difieren entre los clientes.
Alcance Estructural:
- Global: Aprender el DAG completo sobre todas las variables.
- Local: Aprender solo los padres/hijos de una variable objetivo específica (por ejemplo, FedLCS).

Inferencia Causal Federada (FCI)

Los métodos de FCI se categorizan por:

Estimando Objetivo: Efecto de Tratamiento Promedio (ATE) frente a Efectos de Tratamiento Promedio Individualizados/Condicionales (ITE/CATE).
Estrategia de Estimación:
- Ponderación por Probabilidad Inversa (IPW): Agregación federada de la puntuación de propensión (por ejemplo, FedIPW-MLE, Fed-IPW).
- Doblemente Robusta/Aumentada: Métodos como FedAIPW y FACE que combinan la regresión de resultados y la ponderación de propensión para mayor robustez.
- Emparejamiento (Matching): Emparejamiento federado de la puntuación de propensión (por ejemplo, FPSM, MVAgg).
- Generativo Profundo/Transformers: Uso de VAEs y Transformers (por ejemplo, FedTEDVAE, FedTransTEE) para aprender representaciones, aunque estos suelen carecer de garantías teóricas formales.
- Especializados: Métodos para análisis de supervivencia (FL-TTE), variables instrumentales (FedIV) y aprendizaje automático doble (FDML).

El Pipeline Unificado

Una contribución metodológica central del artículo es la formalización de la conexión entre FCD y FCI. Los autores proponen un pipeline unificado donde el FCD sirve como una etapa ascendente para identificar conjuntos de ajuste válidos (vía el criterio de la puerta trasera o back-door) para el FCI. Analizan la propagación de la incertidumbre estructural (por ejemplo, la ambigüedad de la Clase de Equivalencia de Markov) desde la etapa de descubrimiento hacia la etapa de inferencia, señalando que las estimaciones puntuales ingenuas pueden conducir a conclusiones excesivamente confiadas.

3. Contribuciones Clave

El artículo reclama las siguientes contribuciones:

Alcance Integral: Ofrece la primera encuesta dedicada y detallada tanto de FCD como de FCI, yendo más allá de la perspectiva más amplia de "Causalidad para FL" para centrarse en los desafíos algorítmicos centrales del aprendizaje de estructuras y la estimación de efectos distribuidos.
Taxonomías Novedosas: Introduce una taxonomía de tres ejes para FCD (Metodología $\times$ Topología $\times$ Alcance) y una taxonomía de dos ejes para FCI (Estimando $\times$ Estrategia), permitiendo comparaciones principios a través de dimensiones no sintetizadas previamente.
Formalización del Pipeline: Formaliza explícitamente la dependencia entre FCD y FCI, analizando cómo el aprendizaje estructural informa la estimación de efectos y cómo se propagan los errores, una conexión ampliamente inexplorada en la literatura previa.
Comparación Sistemática: Proporciona tablas resumen detalladas que comparan los métodos basándose en mecanismos de privacidad, eficiencia de comunicación, garantías teóricas y el manejo de problemas prácticos como la heterogeneidad y los datos faltantes.

4. Resultados y Análisis

La encuesta sintetiza los hallazgos de la literatura existente en lugar de presentar nuevos resultados experimentales. Las observaciones analíticas clave incluyen:

Dominio del FL Horizontal: La mayoría de los trabajos existentes se centran en la partición horizontal; los escenarios verticales e híbridos siguen estando significativamente subexplorados a pesar de su relevancia práctica.
Manejo de la Heterogeneidad: Mientras que los métodos iniciales asumían datos homogéneos, trabajos recientes (por ejemplo, FedDAG, FedCDH) han comenzado a abordar mecanismos causales heterogéneos y conjuntos de variables no idénticos.
Brechas de Privacidad: La mayoría de los métodos dependen de la suposición implícita de que no compartir datos brutos es suficiente para la privacidad. Solo unos pocos métodos (por ejemplo, PERI, I-PERI, Fed-Sparse-BNSL) proporcionan garantías formales de privacidad diferencial (DP).
Eficiencia de Comunicación: Los métodos de optimización continua suelen incurrir en altos costos de comunicación ( $O(d^2)$ ) debido al intercambio de matrices, mientras que los métodos basados en puntuación y en restricciones varían ampliamente.
Límites Teóricos: Las garantías de convergencia son escasas. Solo unos pocos métodos (por ejemplo, DARLS, FDBNL) ofrecen tasas de convergencia formales, y las tasas minimax para el descubrimiento causal federado bajo heterogeneidad siguen siendo una cuestión teórica abierta.

5. Significado y Direcciones Futuras

El artículo se posiciona como una referencia fundamental para investigadores que se adentran en este campo. Su importancia radica en cerrar la brecha entre los campos interdisciplinarios de la inferencia causal y el aprendizaje federado, proporcionando un marco estructurado para navegar el complejo panorama de los algoritmos.

Los autores identifican varios desafíos abiertos para la investigación futura:

Garantías de Privacidad Formales: Desarrollar teoremas de composición ajustados para protocolos causales de múltiples rondas y caracterizar la relación entre privacidad y utilidad en el aprendizaje de estructuras.
Eficiencia de Comunicación: Diseñar protocolos para entornos de alta dimensión, tales como la compresión de gradientes y estrategias de agregación de un solo paso (one-shot).
Fundamentos Teóricos: Establecer condiciones de identificabilidad de muestra finita, tasas minimax y límites de eficiencia semiparamétrica para estimadores federados.
Escenarios Verticales e Híbridos: Crear protocolos escalables para escenarios donde los clientes poseen diferentes variables.
Puente entre Descubrimiento e Inferencia: Desarrollar pipelines de extremo a extremo que optimicen conjuntamente el aprendizaje de la estructura y la estimación de efectos, así como métodos para propagar la incertidumbre estructural hacia las estimaciones de efectos.
Escenarios Complejos: Extender los métodos para manejar confundidores latentes (PAGs), tratamientos variables en el tiempo, análisis de mediación y razonamiento contrafactual.
Benchmarks: El campo carece de estándares de evaluación; los autores llaman a la creación de benchmarks comunitarios con heterogeneidad realista, datos faltantes y estructuras de verdad fundamental (ground-truth).

El artículo concluye que, si bien se ha realizado un progreso significativo, el campo requiere bases teóricas más rigurosas, una evaluación estandarizada y soluciones escalables para alcanzar todo el potencial del razonamiento causal federado en dominios como la salud, la economía y la ingeniería.