Résumé technique : Une enquête sur la découverte et l'inférence causales fédérées

1. Définition du problème

L'article traite du défi critique que représente l'exécution d'un raisonnement causal lorsque les données sont distribuées entre plusieurs institutions (par exemple, des hôpitaux, des banques, des centres de recherche) qui ne peuvent pas ou ne veulent pas partager les enregistrements bruts en raison de réglementations sur la confidentialité (par exemple, RGPD, HIPAA) et de contraintes de communication. Bien que l'apprentissage fédéré (Federated Learning - FL) ait permis avec succès l'apprentissage supervisé collaboratif, son intégration avec les cadres causaux introduit des difficultés distinctes.

L'article se concentre sur deux tâches complémentaires :

1. Découverte Causale Fédérée (FCD - Federated Causal Discovery) : La tâche consistant à récupérer la structure causale globale (Graphe Acyclique Dirigé, DAG) à partir de données observationnelles distribuées sans centraliser les données brutes.
2. Inférence Causale Fédérée (FCI - Federated Causal Inference) : La tâche consistant à quantifier les effets causaux (par exemple, l'Effet de Traitement Moyen, ATE) à travers des populations distribuées, nécessant l'ajustement pour les facteurs de confusion qui peuvent varier en distribution ou en mécanisme selon les sites.

Les principaux défis identifiés incluent :

• Contraintes structurelles : Imposer l'acyclicité globale dans un cadre distribué est combinatoirement difficile.
• Hétérogénéité : Les clients possèdent souvent des mécanismes causaux hétérogènes (différentes distributions conditionnelles $P(X_i | Pa(X_i))$) et peuvent observer des ensembles de variables non identiques, violant les hypothèses des méthodes standards de FL.
• Identifiabilité : Les conclusions causales dépendent d'ensembles de conditionnement suffisants et d'hypothèses fonctionnelles, ce qui devient complexe lorsque les données sont partitionnées.

2. Méthodologie et Taxonomie

L'article fournit une revue systématique organisée via des taxonomies multidimensionnelles, se distinguant des enquêtes plus larges sur le « Causality for FL ».

Découverte Causale Fédérée (FCD)

Les auteurs organisent les méthodes de FCD selon trois axes :

1. Paradigme méthodologique :
   • Basé sur les contraintes : Adaptations des algorithmes PC et FCI (par exemple, FedPC, FedC2SL) qui effectuent des tests d'indépendance conditionnelle (CI) fédérés. Ceux-ci font face à des défis liés à la propagation d'erreurs et à la fiabilité des tests CI d'ordre élevé dans des contextes distribués.
   • Basé sur le score : Méthodes (par exemple, DARLS, FedGES) qui optimisent un critère de score global (comme le BIC) sur des espaces DAG ou des ordonnancements. Les défis incluent les espaces de recherche super-exponentiels et la sensibilité aux tailles d'échantillons locales.
   • Optimisation continue : Extensions du cadre NOTEARS (par exemple, NOTEARS-ADMM, FedDAG) qui reformulent l'apprentissage de DAG comme un programme continu soluble via l'optimisation distribuée par gradient. Ces méthodes font face à des problèmes de non-convexité et de coûts de communication élevés ($O(d^2)$).
   • Hybride/Autre : Méthodes combinant les paradigmes ou traitant des contextes spécifiques comme les données interventionnelles (FedCDI) ou les données manquantes (FedImpCSL).
2. Topologie de la fédération :
   • Horizontale : Les clients partagent des variables mais ont des échantillons différents (le cadre dominant).
   • Verticale : Les clients partagent des entités mais ont des variables différentes (par exemple, PP-BN(V), VertiBayes).
   • Hybride : Les échantillons et les variables diffèrent à la fois entre les clients.
3. Portée structurelle :
   • Globale : Apprentissage du DAG complet sur l'ensemble des variables.
   • Locale : Apprentissage uniquement des parents/enfants d'une variable cible spécifique (par exemple, FedLCS).

Inférence Causale Fédérée (FCI)

Les méthodes de FCI sont catégorisées par :

1. Estimand cible : Effet de Traitement Moyen (ATE) versus Effets de Traitement Individuels/Conditionnels (ITE/CATE).
2. Stratégie d'estimation :
   • Pondération par l'Inverse de la Probabilité (IPW) : Agrégation fédérée des scores de propension (par exemple, FedIPW-MLE, Fed-IPW).
   • Doublement Robuste/Augmentée : Méthodes comme FedAIPW et FACE qui combinent la régression de l'effet et la pondération de la propension pour la robustesse.
   • Appariement (Matching) : Appariement fédéré par score de propension (par exemple, FPSM, MVAgg).
   • Génératif Profond/Transformers : Utilisation de VAE et de Transformers (par exemple, FedTEDVAE, FedTransTEE) pour apprendre des représentations, bien qu'ils manquent souvent de garanties théoriques formelles.
   • Spécialisées : Méthodes pour l'analyse de survie (FL-TTE), les variables instrumentales (FedIV), et le double apprentissage automatique (FDML).

Le Pipeline Unifié

Une contribution méthodologique centrale de l'article est la formalisation de la connexion entre FCD et FCI. Les auteurs proposent un pipeline unifié où la FCD sert d'étape amont pour identifier des ensembles d'ajustement valides (via le critère de la porte dérobée / back-door criterion) pour la FCI. Ils analysent la propagation de l'incertitude structurelle (par exemple, l'ambiguïté de la Classe d'Équivalence de Markov) de l'étape de découverte vers l'étape d'inférence, notant que les estimations ponctuelles naïves peuvent conduire à des conclusions trop confiantes.

3. Contributions Clés

L'article revendique les contributions suivantes :

1. Portée exhaustive : Il offre la première enquête dédiée et détaillée de la FCD et de la FCI, allant au-delà de la perspective plus large de la « Causalité pour le FL » pour se concentrer sur les défis algorithmiques fondamentaux de l'apprentissage de structure distribuée et de l'estimation d'effet.
2. Taxonomies Nouvelles : Il introduit une taxonomie à trois axes pour la FCD (Méthodologie $\times$ Topologie $\times$ Portée) et une taxonomie à deux axes pour la FCI (Estimand $\times$ Stratégie), permettant des comparaisons principled basées sur des dimensions non synthétisées auparavant.
3. Formalisation du Pipeline : Il formalise explicitement la dépendance entre la FCD et la FCI, analysant comment l'apprentissage structurel informe l'estimation d'effet et comment les erreurs se propagent, une connexion largement inexplorée dans la littérature antérieure.
4. Comparaison Systématique : Il fournit des tableaux récapitulatifs détaillés comparant les méthodes en fonction des mécanismes de confidentialité, de l'efficacité de la communication, des garanties théoriques et de la gestion des problèmes pratiques tels que l'hétérogénéité et les données manquantes.

4. Résultats et Analyse

L'enquête synthétise les conclusions de la littérature existante plutôt que de présenter de nouveaux résultats expérimentaux. Les observations analytiques clés incluent :

• Dominance du FL Horizontal : La plupart des travaux existants se concentrent sur le partitionnement horizontal ; les contextes verticaux et hybrides restent nettement sous-explorés malgré leur pertinence pratique.
• Gestion de l'Hétérogénéité : Alors que les premières méthodes supposaient des données homogènes, des travaux récents (par exemple, FedDAG, FedCDH) ont commencé à traiter les mécanismes causaux hétérogènes et les ensembles de variables non identiques.
• Lacunes de Confidentialité : La majorité des méthodes reposent sur l'hypothèse implicite que le fait de ne pas partager les données brutes est suffisant pour la confidentialité. Seules quelques méthodes (par exemple, PERI, I-PERI, Fed-Sparse-BNSL) fournissent des garanties formelles de confidentialité différentielle (DP).
• Efficacité de la Communication : Les méthodes d'optimisation continue entraînent souvent des coûts de communication élevés ($O(d^2)$) en raison des échanges de matrices, tandis que les méthodes basées sur les scores et les contraintes varient considérablement.
• Limites Théoriques : Les garanties de convergence sont rares. Seules quelques méthodes (par exemple, DARLS, FDBNL) offrent des taux de convergence formels, et les taux minimax pour la découverte causale fédérée sous hétérogénéité restent une question théorique ouverte.

5. Signification et Directions Futures

L'article se positionne comme une référence fondamentale pour les chercheurs entrant dans le domaine du raisonnement causal fédéré. Sa signification réside dans le pont jeté entre les domaines interdisciplinaires de l'inférence causale et de l'apprentissage fédéré, fournissant un cadre structuré pour naviguer dans le paysage complexe des algorithmes.

Les auteurs identifient plusieurs défis ouverts pour la recherche future :

• Garanties de Confidentialité Formelles : Développer des théorèmes de composition serrés pour les protocoles causaux multi-tours et caractériser le compromis confidentialité-utilité dans l'apprentissage de structure.
• Efficacité de la Communication : Concevoir des protocoles pour les contextes de haute dimension, tels que la compression de gradient et les stratégies d'agrégation en une seule étape (one-shot).
• Fondements Théoriques : Établir des conditions d'identifiabilité en échantillon fini, des taux minimax et des bornes d'efficacité semi-paramétrique pour les estimateurs fédérés.
• Contextes Verticaux et Hybrides : Créer des protocoles scalables pour les contextes où les clients détiennent des variables différentes.
• Relier Découverte et Inférence : Développer des pipelines de bout en bout qui optimisent conjointement l'apprentissage de structure et l'estimation d'effet, ainsi que des méthodes pour propager l'incertitude structurelle dans les estimations d'effet.
• Contextes Complexes : Étendre les méthodes pour gérer les facteurs de confusion latents (PAGs), les traitements variant dans le temps, l'analyse de médiation et le raisonnement contrefactuel.
• Benchmarks : Le domaine manque de benchmarks standardisés ; les auteurs appellent à des benchmarks communautaires avec une hétérogénéité réaliste, des données manquantes et des structures de vérité terrain.

L'article conclut que bien que des progrès significatifs aient été réalisés, le domaine nécessite des fondements théoriques plus rigoureux, des évaluations standardisées et des solutions scalables pour réaliser tout le potentiel du raisonnement causal fédéré dans des domaines tels que la santé, l'économie et l'ingénierie.