🤖 machine learning

A Survey on Federated Causal Discovery and Inference

Dit artikel presenteert een uitgebreid overzicht van federated causale ontdekking en inferentie, waarbij een verenigd kader wordt geboden dat bestaande methoden over meerdere dimensies categoriseert, hun verbinding als complementaire fasen van een causale redeneerpipeline formaliseert, en de belangrijkste uitdagingen en toekomstige onderzoeksrichtingen identificeert.

Oorspronkelijke auteurs: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang

Gepubliceerd 2026-06-24

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xianjie Guo, Yuwei Wang, Guodu Xiang, Xiaoli Tang, Kui Yu, Han Yu, Qiang Yang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme mysteries probeert op te lossen: Waarom gebeuren dingen?

In de wereld van data wordt dit Causaal Redeneren genoemd. Het heeft twee hoofdtaken:

Causale Ontdekking (Causal Discovery): Uitzoeken wat de kaart is van wie wat veroorzaakt (bijv. Veroorzaakt roken kanker, of is het zo dat rokers ook koffie drinken?).
Causale Inferentie (Causal Inference): Exact meten hoeveel het ene ding het andere verandert (bijv. Als we stoppen met roken, hoeveel daalt het aantal gevallen van kanker dan?).

Normaal gesproken, om deze mysteries op te lossen, moet je alle aanwijzingen (data) in één grote kamer verzamelen. Maar in de echte wereld is data verspreid. Ziekenhuizen, banken en fabrieken houden hun eigen privé-gegevens bij. Ze kunnen deze niet delen vanwege privacywetgeving (zoals HIPAA of GDPR) of omdat ze elkaar niet vertrouwen.

Ontmoet Federated Learning. Denk aan dit als een "Geheime Detective-organisatie". In plaats van alle aanwijzingen naar één kamer te brengen, blijven de detectives (computers) in hun eigen kantoren. Ze delen alleen hun conclusies of notities met een centrale coördinator, en laten nooit hun ruwe bestanden zien.

Dit artikel is een omvattende gids voor een nieuwe, zeer gespecialiseerde versie van deze organisatie: Federated Causal Discovery and Inference (FCD & FCI). Het brengt in kaart hoe je deze causale mysteries kunt oplossen terwijl je ieders data veilig in hun eigen kluis houdt.

Hier is de onderverdeling van de reis van het artikel, eenvoudig uitgelegd:

1. De Twee Belangrijkste Missies

Het artikel splitst het werk op in twee afzonderlijke maar verbonden missies:

Missie A: Federated Causal Discovery (FCD) – "De Kaart Tekenen"
- Het Doel: Een volledige "Oorzaak-en-Gevolg Kaart" (een graaf) bouwen die laat zien hoe variabelen met elkaar verbonden zijn.
- De Uitdaging: Hoe teken je een kaart als geen enkele detective het hele terrein heeft gezien?
- De Oplossing: Elke detective tekent een kleine lokale kaart op basis van zijn eigen aanwijzingen. Ze sturen hun kaartfragmenten naar het centrale hoofdkwartier. Het hoofdkwartier plakt ze aan elkaar om één grote, globale kaart te vormen zonder ooit het ruwe terrein te zien.
- De Taxonomie van het Artikel: De auteurs organiseren alle verschillende manieren om dit te doen in drie categorieën:
  - Hoe ze denken: Testen ze regels (Constraint-based), proberen ze de beste score te vinden (Score-based), of gebruiken ze vloeiende wiskunde (Continuous Optimization)?
  - Hoe ze zijn opgesteld: Hebben ze allemaal dezelfde variabelen (Horizontal), verschillende variabelen voor dezelfde mensen (Vertical), of een mix (Hybrid)?
  - Wat ze zien: Proberen ze de hele wereld in kaart te brengen (Global) of alleen de buurt rondom één specifieke variabele (Local)?
Missie B: Federated Causal Inference (FCI) – "De Impact Meten"
- Het Doel: Zodra de kaart is getekend, hoeveel verandert een specifieke actie (zoals een nieuw medicijn) de uitkomst (zoals het herstel van een patiënt)?
- De Uitdaging: Als je simpelweg data van verschillende ziekenhuizen combineert, krijg je misschien het verkeerde antwoord omdat de ziekenhuizen verschillende soorten patiënten behandelen.
- De Oplossing: De detectives gebruiken speciale wiskundige trucs (zoals wegen of matchen) om appels met appels te vergelijken over verschillende locaties heen, allemaal zonder de namen van de patiënten te delen.
- De Taxonomie van het Artikel: Ze categoriseren deze methoden op basis van:
  - Wat ze meten: Het gemiddelde effect op iedereen (ATE) of het effect op specifieke individuen (ITE/CATE).
  - Hoe ze het berekenen: Door middel van weging, het matchen van mensen, deep learning AI of Bayesiaanse statistiek.

2. De Geheime Verbinding: De Pipeline

Het artikel maakt een cruciaal punt: Discovery en Inference zijn beste vrienden.

Je hebt meestal eerst de Kaart (Discovery) nodig om te weten welke variabelen je moet controleren bij het meten van de Impact (Inference).
De auteurs visualiseren dit als een Pipeline: Eerst bouwt het team samen de kaart. Daarna gebruiken ze die kaart om het effect van de behandeling te berekenen.
De Valkuilen: Als de kaart fout is, is de meting ook fout. Het artikel benadrukt dat we voorzichtig moeten zijn met hoe fouten in de eerste stap de tweede stap beïnvloeden, vooral wanneer privacy in het spel is.

3. De Hindernissen (Waarom is dit moeilijk?)

Het artikel wijst op verschillende "schurken" die dit moeilijk maken:

Het "Verschillende Talen" Probleem (Heterogeniteit): Ziekenhuis A meet bloeddruk misschien in mmHg, terwijl Ziekenhuis B een andere schaal gebruikt. Of Ziekenhuis A heeft gegevens over "roken", maar Ziekenhuis B heeft dat niet. De algoritmen moeten over deze verschillen heen kunnen communiceren.
Het "Ontbrekende Aanwijzingen" Probleem (Missing Data): Soms is data gewoon weg. Als Ziekenhuis A 50% van zijn records mist en Ziekenhuis B 10% mist, is het combineren ervan lastig.
De "Privacy versus Nauwkeurigheid" Afweging: Om data veilig te houden, voegen we "ruis" toe (zoals statische ruis op een radio). Te veel ruis en de kaart wordt wazig; te weinig ruis en de privacy wordt geschonden. Het vinden van het juiste evenwicht is een grote uitdaging.
De "Communicatiekosten": Het heen en weer sturen van een hele kaart (of een enorm AI-model) kost veel tijd en bandbreedte. Het artikel zoekt naar manieren om alleen de "essentiële notities" te sturen in plaats van het hele boek.

4. Waar wordt dit voor gebruikt? (Volgens het artikel)

De auteurs noemen specifieke real-world scenario's waar deze "Geheime Detective-organisatie" al wordt getest of voorgesteld:

Gezondheidszorg: Het vergelijken van de effectiviteit van medicijnen in verschillende landen zonder patiëntgegevens te delen (bijv. COVID-19 vaccinatiestudies, Alzheimer-onderzoek).
Productie: Uitzoeken waarom een machine in één fabriek defecten produceert door deze te vergelijken met andere fabrieken zonder bedrijfsgeheimen te onthullen.
Sociale Media: Begrijpen hoe contentmoderatie de gebruikersbetrokkenheid op verschillende platforms beïelt zonder individuele gebruikersgegevens te zien.
Economie: Het evalueren van overheidsbeleid in verschillende regio's zonder gevoelige financiële data te centraliseren.
Eerlijkheid (Fairness): Controleren of wervingsalgoritmen bevooroordeeld zijn tegen bepaalde groepen bij verschillende bedrijven zonder de identiteiten van de sollicitanten te onthullen.

5. Wat nu? (De Openstaande Uitdagingen)

Het artikel concludeert dat het vakgebied nog jong is en meer werk nodig heeft:

Betere Kaarten: We hebben betere manieren nodig om met "Verticale" opstellingen om te gaan (waarbij verschillende mensen verschillende variabelen hebben).
Sterkere Privacy: We hebben wiskundige garanties nodig dat niemand kan valsspelen en data kan stelen uit de "notities" die worden gedeeld.
Standaardtests: We hebben een gemeenschappelijke "examen" of benchmark nodig zodat onderzoekers hun methoden eerlijk kunnen vergelijken.
AI-Assistenten: Zouden Large Language Models (LLMs) kunnen helpen bij het suggereren van causale kaarten om het proces te versnellen?

Samenvatting

Kortom, dit artikel is een routekaart voor een nieuw tijdperk van datawetenschap. Het leert ons hoe we de vragen "Wie veroorzaakte wat?" en "Hoeveel veranderde het?" kunnen beantwoorden wanneer de data verspreid over de wereld ligt en achter privacywanden verborgen is. Het organiseert het chaotische landschap van het huidige onderzoek in een duidelijke structuur, en laat ons zien waar de instrumenten zich bevinden, waar ze ontbreken en hoe we een betere, meer private toekomst kunnen bouwen voor datagestuurde besluitvorming.

Technische Samenvatting: Een Survey over Federatieve Causale Ontdekking en Inferentie

1. Probleemdefinitie

Het artikel behandelt de kritieke uitdaging van het uitvoeren van causale redenering wanneer data verdeeld is over meerdere instellingen (bijv. ziekenhuizen, banken, onderzoekscentra) die geen ruwe records kunnen of willen delen vanwege privacyregelgeving (bijv. AVG/GDPR, HIPAA) en communicatiebeperkingen. Hoewel Federated Learning (FL) succesvol heeft gefaciliteerd in collaboratief gesuperviseerd leren, introduceert de integratie ervan met causale kaders specifieke moeilijkheden.

Het artikel richt zich op twee complementaire taken:

Federatieve Causale Ontdekking (Federated Causal Discovery, FCD): De taak om de globale causale structuur (Directed Acyclic Graph, DAG) te herstellen uit gedistribueerde observationele data zonder de ruwe data te centraliseren.
Federatieve Causale Inferentie (Federated Causal Inference, FCI): De taak om causale effecten (bijv. Average Treatment Effect, ATE) te kwantificeren over gedistribueerde populaties, waarbij aanpassing voor confounders vereist is die mogelijk variëren in distributie of mechanisme over verschillende locaties.

Geïdentificeerde kernuitdagingen zijn onder meer:

Structurele beperkingen: Het afdwingen van globale acycliciteit in een gedistribueerde setting is combinatorisch moeilijk.
Heterogeniteit: Cliënten bezitten vaak heterogene causale mechanismen (verschillende conditionele distributies $P(X_i | Pa(X_i))$ ) en observeren mogelijk niet-identieke verzamelingen variabelen, wat de aannames van standaard FL schendt.
Identificeerbaarheid: Causale conclusies zijn afhankelijk van voldoende conditionele sets en functionele aannames, wat complex wordt wanneer data gepartitioneerd is.

2. Methodologie en Taxonomie

Het artikel biedt een systematische review georganiseerd via multidimensionale taxonomieën, wat het onderscheidt van eerdere brede surveys over "Causality voor FL".

Federatieve Causale Ontdekking (FCD)

De auteurs organiseren FCD-methoden langs drie assen:

Methodologisch Paradigma:
- Constraint-Based: Aanpassingen van PC- en FCI-algoritmen (bijv. FedPC, FedC2SL) die federatieve conditionele onafhankelijkheidstesten (CI-testen) uitvoeren. Deze kampen met problemen rond foutpropagatie en de betrouwbaarheid van hoog-orde CI-testen in gedistribueerde omgevingen.
- Score-Based: Methoden (bijv. DARLS, FedGES) die een globale scoringscriteria (zoals BIC) optimaliseren over DAG-ruimtes of ordeningen. Uitdagingen zijn onder meer super-exponentiële zoekruimtes en de gevoeligheid voor lokale steekproefgroottes.
- Continue Optimalisatie: Uitbreidingen van het NOTEARS-framework (bijv. NOTEARS-ADMM, FedDAG) die DAG-leren herformuleren als een continu programma dat oplosbaar is via gedistribueerde gradiëntgebaseerde optimalisatie. Deze kampen met problemen met niet-convexiteit en hoge communicatiekosten ( $O(d^2)$ ).
- Hybride/Overig: Methoden die paradigma's combineren of specifieke settings adresseren zoals interventionele data (FedCDI) of ontbrekende data (FedImpCSL).
Federatieve Topologie:
- Horizontaal: Cliënten delen variabelen maar hebben verschillende monsters (de dominante setting).
- Verticaal: Cliënten delen entiteiten maar hebben verschillende variabelen (bijv. PP-BN(V), VertiBayes).
- Hybreed: Zowel monsters als variabelen verschillen per cliënt.
Structurele Omvang:
- Globaal: Het leren van de volledige DAG over alle variabelen.
- Lokaal: Alleen het leren van de ouders/kinderen van een specifieke doelvariabele (bijv. FedLCS).

Federatieve Causale Inferentie (FCI)

FCI-methoden worden gecategoriseerd op basis van:

Target Estimand: Average Treatment Effect (ATE) versus Individualized/Conditional Average Treatment Effects (ITE/CATE).
Schattingstrategie:
- Inverse Probability Weighting (IPW): Federatieve aggregatie van propensity scores (bijv. FedIPW-MLE, Fed-IPW).
- Doubly Robust/Augmented: Methoden zoals FedAIPW en FACE die outcome regressie en propensity weighting combineren voor robuustheid.
- Matching: Federatieve propensity score matching (bijv. FPSM, MVAgg).
- Deep Generative/Transformers: Het gebruik van VAEs en Transformers (bijv. FedTEDVAE, FedTransTEE) om representaties te leren, hoewel deze vaak een gebrek hebben aan formele theoretische garanties.
- Gespecialiseerd: Methoden voor overlevingsanalyse (FL-TTE), instrumentele variabelen (FedIV) en double machine learning (FDML).

De Verenigde Pipeline

Een kernmethodologische bijdrage van het artikel is de formalisering van de verbinding tussen FCD en FCI. De auteurs stellen een verenigde pipeline voor waarbij FCD dient als een upstream-fase om geldige aanpassingssets te identificeren (via de back-door criterion) voor FCI. Ze analyseren de propagatie van structurele onzekerheid (bijv. Markov Equivalent Class ambiguïteit) van de ontdekkingsfase naar de inferentiefase, waarbij zij opmerken dat naïeve punt-schattingen kunnen leiden tot overmoedige conclusies.

3. Belangrijkste Bijdragen

Het artikel claimt de volgende bijdragen:

Omvattende Scope: Het biedt de eerste toegewijde, fijnmazige survey van zowel FCD als FCI, waarbij het verder gaat dan het bredere "Causality voor FL"-perspectief om te focussen op de kernalgoritmische uitdagingen van gedistribueerd structuurleren en effectschatting.
Nieuwe Taxonomieën: Het introduceert een driedimensionale taxonomie voor FCD (Methodologie $\times$ Topologie $\times$ Omvang) en een tweedimensionale taxonomie voor FCI (Estimand $\times$ Strategie), wat principiële vergelijkingen mogelijk maakt over dimensies die voorheen niet gesynthetiseerd waren.
Formalisering van de Pipeline: Het formaliseert expliciet de afhankelijkheid tussen FCD en FCI, analyseert hoe structureel leren de effectschatting informeert en hoe fouten propageren, een verbinding die in eerdere literatuur grotendeels onontgonnen bleef.
Systematische Vergelijking: Het biedt gedetailleerde samenvattende tabellen die methoden vergelijken op basis van privacymechanismen, communicatie-efficiëntie, theoretische garanties en de afhandeling van praktische kwesties zoals heterogeniteit en ontbrekende data.

4. Resultaten en Analyse

De survey synthetiseert bevindingen uit de bestaande literatuur in plaats van nieuwe experimentele resultaten te presenteren. Belangrijke analytische observaties zijn:

Dominantie van Horizontale FL: De meeste bestaande werken richten zich op horizontale partitionering; verticale en hybride settings blijven aanzienlijk onderbelicht ondanks hun praktische relevantie.
Afhandeling van Heterogeniteit: Terwijl vroege methoden homogene data veronderstelden, zijn recente werken (bijv. FedDAG, FedCDH) begonnen met het adresseren van heterogene causale mechanismen en niet-identieke verzamelingen variabelen.
Privacykloven: De meerderheid van de methoden leunt op de impliciete aanname dat het niet delen van ruwe data voldoende is voor privacy. Slechts enkele methoden (bijv. PERI, I-PERI, Fed-Sparse-BNSL) bieden formele Differential Privacy (DP) garanties.
Communicatie-efficiëntie: Continue optimalisatiemethoden brengen vaak hoge communicatiekosten met zich mee ( $O(d^2)$ ) door matrix-uitwisselingen, terwijl score-gebaseerde en constraint-gebaseerde methoden sterk variëren.
Theoretische Limieten: Convergentiegaranties zijn schaars. Slechts enkele methoden (bijv. DARLS, FDBNL) bieden formele convergentiesnelheden, en minimax-snelheden voor federatieve causale ontdekking onder heterogeniteit blijven een open theoretische vraag.

5. Betekenis en Toekomstige Richtingen

Het artikel positioneert zich als een fundamentele referentie voor onderzoekers die de stap maken naar het vakgebied van federatieve causale redenering. De betekenis ligt in het overbruggen van de kloof tussen de interdisciplinaire velden van causale inferentie en federated learning, door een gestructureerd kader te bieden om het complexe landschap van algoritmen te navigeren.

De auteurs identificeren verschillende open uitdagingen voor toekomstig onderzoek:

Formele Privacygaranties: Het ontwikkelen van strakke compositie-stellingen voor multi-round causale protocollen en het karakteriseren van de privacy-utiliteit trade-off in structuurleren.
Communicatie-efficiëntie: Het ontwerpen van protocollen voor hoog-dimensionale settings, zoals gradiëntcompressie en one-shot aggregatiestrategieën.
Theoretische Fundamenten: Het vaststellen van eindige-steekproef identificeerbaarheidscondities, minimax-snelheden en semiparametrische efficiëntiegrenzen voor federatieve schatters.
Verticale en Hybride Settings: Het creëren van schaalbare protocollen voor settings waar cliënten verschillende variabelen bezitten.
Overbruggen van Ontdekking en Inferentie: Het ontwikkelen van end-to-end pipelines die structureel leren en effectschatting gezamenlijk optimaliseren, en methoden om structurele onzekerheid door te geven aan effectschattingen.
Complexe Settings: Het uitbreiden van methoden om latente confounders (PAGs), tijdvariërende behandelingen, mediatie-analyse en counterfactual reasoning te behandelen.
Benchmarks: Het veld mist gestandaardiseerde benchmarks; de auteurs pleiten voor gemeenschappelijke benchmarks met realistische heterogeniteit, ontbrekende data en grondwaarheid-structuren.

Het artikel concludeert dat hoewel er aanzienlijke vooruitgang is geboekt, het veld meer rigoureuze theoretische fundamenten, gestandaardiseerde evaluatie en schaalbare oplossingen vereist om het volledere potentieel van federatieve causale redenering in domeinen zoals de gezondheidszorg, economie en techniek te realiseren.