🤖 AI

Regret-Based Federated Causal Discovery with Unknown Interventions

本文提出了 I-PERI，一种新型联邦算法，该算法通过恢复并集图并定向额外边以实现更紧致的 $\Phi$ -马尔可夫等价类，从而实现在客户端层级干预未知情况下的因果发现，同时提供收敛性和隐私性的理论保证。

原作者： Federico Baldo, Charles K. Assaad

发布于 2026-06-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Federico Baldo, Charles K. Assaad

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一群医院正试图弄清楚不同的疾病、治疗方法和患者预后之间是如何相互关联的。他们想要构建一张“因果图”（Causal Graph）来理解什么是因，什么是果。然而，他们面临一个巨大的难题：由于隐私法规定，他们无法共享彼此的患者数据。这正是**联邦学习（Federated Learning）**发挥作用的地方——这是一种让他们能够在不接触彼此私密文件的情况下进行协作的方法。

这篇论文介绍了一种名为 I-PERI 的新方法，旨在解决这样一个特定的谜题：如果每家医院对患者采取的措施都略有不同该怎么办？

以下是利用简单类比对论文思想进行的拆解：

1. 问题所在：“一刀切”的错误

以往的大多数方法都假设每家医院都在对完全相同的患者进行完全相同的实验。它们假设各处的“游戏规则”都是一致的。

现实情况是： 在现实世界中，医院 A 可能在用某种特定药物治疗患者，而医院 B 可能使用不同的方案，医院 C 则可能只是进行观察而不进行干预。这些不同的行为被称为干预（Interventions）。

类比： 想象你正在试图弄清楚汽车发动机的工作原理。
- 医院 A 正在正常驾驶汽车。
- 医院 B 拆除了火花塞（一种干预）。
- 医院 C 用胶带封住了喷油嘴（另一种干预）。
- 如果你假设所有人都在正常驾驶并试图合并他们的报告，你会得到一个混乱且错误的发动机工作原理图。

2. 解决方案：I-PERI（“遗憾”侦探）

作者提出了 I-PERI，这是一个两步走的侦探过程，即使在医院不知道彼此具体进行了哪些干预，且无法共享原始数据的情况下也能有效运作。

第一步：寻找共同点（“骨架”）
首先，系统尝试找到每个人都相同的图谱部分。

类比： 中央服务器询问每家医院：“如果我画一张发动机的地图，它在多大程度上会让你的本地现实情况感到‘遗憾’（不匹配）？”
医院不会分享完整的地图，而是只返回一个代表这种“遗憾”的数值（即服务器的地图与其实地数据相比有多错）。
服务器通过调整其地图来最小化总体的“遗憾”。这有助于他们达成共识，确定因果图的基础结构（即“骨架”），并忽略那些被干预破坏的部分。

第二步：利用差异来填补空白
这是最聪明的部分。一旦基础地图构建完成，系统就会观察由干预引起的差异。

类比： 还记得火花塞吗？当医院 B 拆除火花塞时，发动机的表现方式揭示了一个隐藏的连接。
I-PERI 会观察不同医院的干预如何改变了数据的“形状”。如果医院 A 的干预产生了一种特定的模式（例如数据中呈现出“V形”），而这种模式在之前是看不见的，服务器就会利用这个线索在地图上画出一条特定的箭头。
结果： 他们最终得到了一张比仅靠观测数据能绘制出的更详细的地图。作者将这种更精确、更紧凑的地图称为 $\Phi$ -CPDAG。

3. 隐私： “蒙眼”协作

论文强调，这种方法在设计之初就考虑到了隐私性。

类比： 医院永远不会交出他们的患者名单或完整的发动机蓝图。他们只交出一个数值（“遗憾得分”）和一些加密的提示。
作者从数学上证明，即使有人试图窥探这些数值，也无法反向推导出任何单个患者的私密数据。他们使用了**差分隐私（Differential Privacy）**技术，在答案中加入了一点点“统计噪声”来隐藏个人贡献，就像在无线电信号中加入一点静电噪音，让你听不清某个人的声音，但仍能听懂整首歌。

4. 他们证明了什么

有效性： 他们展示了如果有足够的数据，这种方法最终能够找到在给定约束条件下的最准确地图（即 $\Phi$ -马尔可夫等价类）。
优越性： 在测试中（使用模拟现实场景的合成数据），I-PERI 构建的地图比其他现有方法更准确，尤其是在各医院治疗方案各异的情况下。
高效性： 它的运行速度明显快于其他复杂的方法。

总结

I-PERI 是一种让去中心化群体（如医院）构建共享因果图的新方法。它并不假装每个人都在做同样的事情；相反，它利用不同行为之间的差异（未知的干预）作为线索，来绘制一张更精确的地图，同时确保所有人的私密数据都处于完全隐藏状态。

技术摘要：针对未知干预的基于遗憾（Regret-based）的联邦因果发现

问题陈述

从观测数据中进行因果发现通常会恢复一个完全部分有向无环图（CPDAG），该图代表了一个马尔可夫等价类（MEC）。虽然近期的联邦因果发现（FCD）方法解决了数据去中心化和隐私问题，但它们依赖于一个理想化的假设，即所有客户端共享一个不受干预影响的相同因性模型。在现实世界的联邦设置中（例如多中心医院），客户端特定的策略和协议自然会诱发异质且未知的干预。这些干预会改变局部的因果结构（例如通过结构性干预移除入边），使得标准的 FCD 算法失效，因为这些算法无法区分缺失的边是由于干预导致的，还是由于潜在的因果结构本身导致的。此外，现有的处理未知干预的因果发现方法假设数据是集中汇总的，这违反了隐私约束，或者需要已知的干预目标，这在联邦环境中往往是不切实际的。

方法论：I-PERI

作者提出了 I-PERI（Intervention-PERI），一种旨在处理未知客户端级干预并确保差分隐私的新型联邦算法。I-PERI 通过利用不同客户端之间由干预引起的结构差异来优化全局因果图，从而扩展了 PERI 算法。该方法分为两个不同的阶段：

1. 联邦 CPDAG 恢复（阶段 1）

第一阶段旨在从所有客户端共同的 CPDAG（记作 $C(G)$ ）中恢复该图，所有客户端特定的图都源自此图。

挑战： 标准的遗憾函数在此处会失效，因为结构性干预会移除边，导致客户端的 CPDAG 是真实全局 CPDAG 的子图。直接最小化遗憾会惩罚服务器，因为它“丢失”了那些实际上被干预移除的边。
解决方案： I-PERI 引入了定向一致性掩码（Directed-Consensus Masking, $\mu$ $μ$ ）。在计算遗憾之前，服务器图会对每个客户端的图进行掩码处理。该操作：
- 保留同时存在于两个图中的边。
- 移除存在于服务器图中但不存在于客户端图中的边（承认这些边可能是干预诱导的）。
- 如果对应的客户端边是有向的，则对服务器图中的无向边进行定向。
优化： 算法在掩码图上最小化最坏情况下的遗憾：
$\hat{G} = \arg \min_{H \in C(G)} \max_{k} \left( L(\mu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k) \right)$
其中 $L$ 是一个一致的评分函数（例如 BIC）。这确保了服务器收敛到底层因果 DAG $G$ 的 CPDAG。

2. 定向细化（阶段 2）

第二阶段利用了结构性干预可以将**屏蔽碰撞结构（shielded colliders）转化为非屏蔽碰撞结构（unshielded colliders, 即 v-structures）**这一事实，从而揭示了在纯观测数据中具有歧义的边定向。

机制： I-PERI 使用无向一致性掩码（Undirected-Consensus Masking, $\nu$ ）。在此掩码中，无向边优先于有向边。算法会惩罚服务器，如果它未能对客户端图中由于干预诱导的 v-structures 而呈现定向状态的边进行定向。
优化： 遗憾是在无向掩码图上计算的：
$R_k(H) = L(\nu(H, C(G^{\Phi_k})), D_k) - L(C(G^{\Phi_k}), D_k)$
搜索空间被限制在由阶段 1 CPDAG 衍生的部分有向图中。

隐私保证

I-PERI 在设计时考虑了 $\epsilon$ -差分隐私。客户端不共享局部图或模型参数，而是计算局部遗憾并在传输前添加拉普拉斯噪声。论文提供了关于遗憾函数敏感性的理论界限，确保添加噪声不会显著损害全局图恢复的效用，同时保护个体数据点。

核心贡献

$\Phi$ -马尔可夫等价类 ( $\Phi$ -MEC)： 作者定义了一个新的等价类 $\Phi$ -MEC，它比标准的观测 MEC 更紧密，但比 I-MEC（要求已知干预）更宽松。它代表了在具有未知干预的联邦设置下所能达到的最佳恢复效果。
$\Phi$ -CPDAG： 一个代表 $\Phi$ -MEC 的图，通过基于干预诱导的 v-structures 对标准 CPDAG 中的边进行定向得到。
I-PERI 算法： 一种两阶段联邦算法，无需了解干预目标或共享原始数据即可恢复 $\Phi$ -CPDAG。
理论保证： 论文证明了在假设因果充分性和忠实性（faithfulness）的前提下，当样本量趋于无穷大时，I-PERI 会收敛至 $\Phi$ -CPDAG。此外，它还建立了正式的差分隐私保证。

实验结果

作者在线性合成数据集上将 I-PERI 与最先进的基准方法（PERI, FedDAG, NOTEARS-ADMM, FedCDH）进行了评估。

性能： 在变量数量（ $p \in \{3, \dots, 20\}$ ）、客户端数量（ $K$ ）和样本量（ $n$ ）变化的情况下，I-PERI 在结构汉明距离（SHD）和 F1 分数方面始终优于基准方法。
边定向： I-PERI 的第二阶段成功地为初始 CPDAG 中具有歧义的边进行了定向，证明了利用干预诱导的异质性来细化因果定向的效用。
效率： 与竞争方法相比，I-PERI 的计算运行时间显著降低（低了几个数量级）。
鲁棒性： 该方法在使用不同的局部发现算法（PC 和 GES）时依然有效，并且在同质和异质样本量设置下表现出一致的性能。

意义与主张

论文声称 I-PERI 解决了联邦因果发现中的一个关键空白，即超越了不再假设数据是同质且无干预的理想化假设。

利用异质性： 与传统的联邦学习将客户端异质性视为需要最小化的噪声源不同，I-PERI 将干预诱导的结构差异视为细化因果定向的信息源。
隐私保护发现： 这项工作证明了可以在不集中数据或泄露干预目标的情况下，通过基于遗憾的聚合和差分隐私实现高质量的因果发现。
理论进展： 通过定义 $\Phi$ -MEC，本文确立了在具有未知干预的联邦设置下可识别性的理论极限，提供了比单纯观测数据更紧密的界限。

作者指出，I-PERI 的准确性取决于客户端学习到的局部 CPDAG 的质量，且其理论保证依赖于标准的假设（因果充分性和忠实性），这些假设在复杂的现实场景中可能会被违反。未来的工作建议将该框架扩展到包含潜变量和选择偏差的情境中。