Resumo Técnico: Fed-CausalDiff

Declaração do Problema

Em setores como saúde multicêntrica, publicidade algorítmica e gestão de risco financeiro, sistemas de decisão geram logs sequenciais massivos por meio de interações "contexto-ação-feedback". No entanto, regulamentações rigorosas de privacidade (ex: GDPR) e barreiras de propriedade de dados impedem a centralização desses conjuntos de dados, tornando necessária a Aprendizagem Federada (FL) para a modelagem colaborativa.

As abordagens atuais de FL enfrentam duas limitações primárias em relação à inferência intervencional:

1. Viés Observacional: Métodos de FL padrão (ex: FedGAN, TimeGAN) focam em ajustar distribuições observacionais históricas. Eles carecem de modelagem explícita de semântica do, tornando-os propensos a vieses sistemáticos ao avaliar novas políticas ou resultados contrafatuais, particularmente em sequências de longo prazo com confusão variante no tempo.
2. Falta de Simuladores: Embora existam métodos de inferência causal sequencial (ex: estimadores Doubly Robust) para avaliação de política, eles geralmente carecem de um simulador amostrável capaz de gerar trajetórias contrafatuais completas sob políticas específicas. Métodos causais federados existentes frequentemente abordam a identificação de mecanismos, mas negligenciam a simulação de política amostrável.

Metodologia: Fed-CausalDiff

Os autores propõem o Fed-CausalDiff, um framework de difusão causal federada projetado para simulação do e avaliação de política. O framework é fundamentado em Modelos Causais Estruturais (SCMs) e utiliza difusão latente condicional.

Arquitetura Central e Sincronização Desacoplada

A inovação central é a decomposição estrutural da evolução do estado latente ($K_t$) em dois subespaços:

• Subespaço Causal Invariante ($K^{(c)}_t$): Captura leis causais compartilhadas entre todos os clientes.
• Subespaço de Confundimento Específico do Sítio ($K^{(s)}_t$): Captura heterogeneidade local e fatores de ruído específicos de cada cliente.

Esta decomposição permite a Sincronização Desacoplada (DSS):

• Agregação Global: O servidor agrega apenas os parâmetros ($\Theta_c$) associados à dinâmica de escore causal e ao decodificador de resultado.
• Retenção Local: Os parâmetros ($\Theta^i_s$) associados aos escores de confundimento permanecem locais a cada cliente, evitando a média de confundidores heterogêneos que degradaria o desempenho em cenários não-IID.

Pipeline de Treinamento de Três Estágios

O modelo é treinado via um processo de três fases, com DSS aplicado em cada rodada de comunicação:

1. Inferência Latente e Desentranhamento: Um codificador recorrente mapeia trajetórias observadas para o espaço latente particionado $K = [K^{(c)}, K^{(s)}]$. Um objetivo de desentranhamento (usando Camadas de Reversão de Gradiente) garante que $K^{(c)}$ não codifique artefatos específicos do sítio, enquanto $K^{(s)}$ os captura.
2. Dinâmica de Score Condicional: A evolução do estado é modelada como um processo de denoising condicional. A função de score é decomposta em um termo causal global ($S_{causal}$) e um termo de confundimento local ($S_{confound}$). Isso permite rollouts estocásticos estáveis sob intervenções.
3. Decodificador Causal e Agregação: Um decodificador traduz estados latentes em resultados observáveis. Apenas os parâmetros causais compartilhados são sincronizados, enquanto os parâmetros de confundimento local são atualizados localmente.

Objetivos de Otimização

O objetivo de treinamento local equilibra fidelidade generativa com consistência causal:

• Fidelidade Generativa: Inclui Perda de Reconstrução ($L_{recon}$) e Perda de Denoising de Difusão ($L_{diff}$) para minimizar erros de previsão de ruído.
• Regularização Causal: Inclui Alinhamento de Intervenção ($L_{align}$) para minimizar a distância MMD entre distribuições fatuais e intervencionais, perda de desentranhamento ($L_{dis}$), e Consistência Contrafactual ($L_{cf}$).

Principais Contribuições

1. Simulação Do Federada: Introduz o primeiro framework que combina aprendizagem federada com difusão de score condicional para gerar sequências intervencionais, indo além do ajuste puramente observacional.
2. Sincronização Desacoplada (DSS): Propõe uma estratégia de sincronização inovadora que agrega apenas mecanismos causais compartilhados enquanto retém confundidores locais, lidando efetivamente com a heterogeneidade dos clientes sem comprometer a identificação causal.
3. Avaliação de Política Robusta: Fornece um simulador amostrável para avaliação de política offline (OPE), permitindo a estimativa de Efeitos de Tratamento Médio (ATE) e valores de política sob cenários contrafatuais de maneira preservadora de privacidade.

Resultados Experimentais

O framework foi avaliado em quatro conjuntos de dados: DKT-Synth (semi-sintético com ground truth), Statics2011, Diabetes-130 e OpenBandit. Os baselines incluíram RCGAN, TimeGAN, CRN e FedCM.

• Fidelidade Intervencional (DKT-Synth): O Fed-CausalDiff alcançou os menores erros em todas as métricas: PEHE (0.057), AA (0.045) e Valor de Política (0.049). Estudos de ablação confirmaram que remover o DSS ou a perda de desentranhamento degradava significativamente o desempenho, validando a necessidade da arquitetura proposta.
• Valor de Política Offline: No Diabetes e DKT-Synth, o Fed-CausalDiff forneceu estimativas de Doubly Robust (DR) médias mais altas em comparação aos baselines, indicando uma captura superior de impactos causais de longo prazo. No OpenBandit, embora o CRN tenha mostrado valores DR brutos mais altos, o Fed-CausalDiff manteve um desempenho moderado com melhor estabilidade.
• Utilidade Downstream: O modelo manteve um desempenho competitivo de TSTR (Treinar no Sintético, Testar no Real), demonstrando que impor restrições intervencionais não comprometeu significativamente a fidelidade fatual.
• Eficiência do Sistema: O Fed-CausalDiff demonstrou convergência mais rápida e maior estabilidade na precisão intervencional em comparação ao TimeGAN (que mostrou alta variância) e RCGAN. No entanto, o trade-off comunicação-desempenho dependeu do conjunto de dados; embora eficiente no DKT-Synth e Diabetes, não dominou estritamente os baselines mais leves no OpenBandit e Statics2011 em termos de otimalidade de Pareto.

Significância e Alegações

O artigo afirma que o Fed-CausalDiff consegue preencher a lacuna entre aprendizagem federada e inferência causal ao permitir a construção de "modelos de mundo sequenciais intervencionáveis". Sua principal significância reside em:

• Superar Limitações Observacionais: Ele vai além do ajuste de correlações históricas para modelar explicitamente a semântica do, permitindo inferência contrafactual confiável em ambientes descentralizados.
• Lidar com Heterogeneidade: O mecanismo DSS aborda o desafio da heterogeneidade dos clientes na modelagem causal, um ponto comum de falha em abordagens federadas padrão.
• Trade-off Equilibrado: O framework oferece um trade-off favorável entre custos de comunicação e fidelidade de inferência, fornecendo uma base robusta para avaliação de política sem exigir a troca de dados brutos.

Os autores observam limitações quanto à falta de contrafatuais de verdade fundamental (ground-truth) em conjuntos de dados do mundo real (dependendo de estimadores offline) e a simulação atual de FL em uma única máquina sem considerar fatores complexos do sistema, como privacidade diferencial ou desistências de clientes (client dropouts). Trabalhos futuros são propostos para abordar a quantificação de incerteza e aprendizagem federada personalizada.