因果推断驱动的联邦迁移学习：面向隐私约束下跨组织数据协同的耦合框架

《Scientific Reports》：Causal-enhanced federated transfer learning framework for privacy-preserving cross-organizational strategic collaboration

　　

摘要

跨组织战略合作日益需要数据驱动的协同，同时又面临着严格的隐私约束和异构数据分布的挑战。本文提出了一种将因果推断与联邦迁移学习相耦合的框架，能够在不集中化敏感数据的前提下，实现跨组织边界的有效知识共享。该框架包含三个核心组件：一种分布式因果发现算法，通过安全聚合协议重建组织间的因果结构；一种因果增强的联邦迁移学习机制，用于识别可在异构企业场景中迁移的不变特征；以及一种自适应隐私计算架构，能够根据数据敏感度画像动态分配保护资源。跨多企业生态系统的实验验证表明，与传统的联邦迁移学习相比，因果增强机制将跨域泛化的鲁棒性提升了43%，同时将预测精度保持在集中式方法的6.2%误差范围内。在具有实际意义的隐私约束下，自适应隐私架构保留了93.7%的协作效用，成员推断攻击的成功率接近随机基线水平。这些结果表明，合理设计的联邦框架能够在保持组织自主性的同时接近集中式的性能水平，从而使更多组织能够在监管和竞争边界之外参与数据驱动的战略联盟。