FedImpCSL：面向缺失数据的联邦因果结构学习新方法及其在健康医学中的应用

本文提出FedImpCSL方法，针对联邦因果结构学习（CSL）中缺失数据和客户端差异性问题，创新性地融合局部-全局数据填补（FedLocalImp/FedGlobalImp）和动态加权聚合策略（FedCAM），显著提升分布式隐私保护下的因果发现准确性，为医疗健康等领域的数据分析提供可靠解决方案。

　　

Section snippets

Federated causal structure learning

联邦学习（FL）和联邦因果结构学习（CSL）领域已开展广泛研究。近期，NOTEARS-ADMM [6] 成为联邦CSL的开创性方法，它将ADMM [18]分布式流程与NOTEARS [5]相结合以促进FL。然而，该方法存在显著局限性且不实用。类似地，RFCD [7] 引入了遗憾值的概念并提供了计算算法。同时，FedDAG [19] 通过从异构分布式数据中学习有向无环图（DAG）来解决数据异质性问题。

Notations and Mathematical Meanings

令 X={x1,x2,...,xd}为一组d个变量（即节点），C={c1,c2,...,cm}为m个不同客户端集合，DOriginal={Dc1,Dc2,...,Dcm}为客户端原始不完整数据集。对于每个客户端 ck（k∈{1,2,...,m}），Dckl∈Rnckl×d表示第l次迭代中的填补后数据集，其中 nckl是 Dckl中的样本数（l∈{1,2,...,p}，p表示迭代总数）。Dckl中的每个样本定义为 samjck（j∈{1,2,...,nckl}）。我们定义 wnckl为...

Proposed FedImpCSL Approach

为解决缺失数据下联邦CSL的局限性，如图2所示，我们提出FedImpCSL用于FL设置下的混合CSL，如下所示：

阶段1：缺失数据下的联邦骨架学习。

阶段1-1：各客户端首先执行FedLocalImp算法，在本地将数据填补到原始不完整数据集中。随后，使用传统CSL算法在填补后的数据集上进行独立骨架学习。学习后，客户端将学到的骨架发送...

Experiments

在本节中，我们在六个基准贝叶斯网络（BNs）、一个真实世界数据集、一个高维合成数据集和非独立同分布（Non-IID）合成数据集上，将所提出的FedImpCSL方法与六种基线方法进行了性能比较。我们设计了一系列全面的实验以证明FedImpCSL的有效性。

Conclusions

在本研究中，我们提出了一种基于联邦CSL的 novel 处理方法，用于处理缺失数据场景。此外，我们在加权聚合中引入了一种贡献评估算法以提高准确性。广义上讲，这两种重要机制旨在有效解决现实世界中两个不可忽视的问题：缺失数据和客户端多样性。与六种最先进的方法相比，我们的方法在各种数据集、不同缺失...