新的联邦学习框架增强了因果推断和策略评估

研究人员推出了一种新颖的联邦因果扩散框架 Fed-CausalDiff，用于 do-simulation 和策略评估。该方法解决了标准联邦学习的局限性，标准联邦学习主要关注历史观测而非干预推断。Fed-CausalDiff 通过将潜在状态的演化解耦为全局因果评分函数和局部混淆评分函数来实现解耦同步 (DSS)。这使得客户端可以在聚合共享因果机制的同时，将站点特定的混淆因素保留在本地，从而有效处理数据异质性。在四个数据集上的实验表明，Fed-CausalDiff 在估计平均处理效应和策略值方面提供了更高的准确性，并在通信效率和推断精度之间取得了平衡。 AI

影响 该框架通过更好地处理异构数据，有望提高分布式系统中策略评估的准确性。

排序理由 该条目是发表在 arXiv 上的研究论文，详细介绍了一个新的机器学习框架。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• cs.AI
• DagsHub
• Fed-CausalDiff
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• machine learning
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →