精选理由
这篇论文提出Fed-CausalDiff，让联邦学习不仅能拟合历史数据，还能做因果干预模拟。它在四个数据集上比常规方法更准，而且通信开销可控，适合分布式医疗或金融场景。
Fed-CausalDiff是一种联邦因果扩散框架，专门用于“do-simulation”和政策评估。它将潜在状态演化分解为全局因果评分函数和局部混淆评分函数，实现解耦同步（DSS），客户端只聚合共享因果机制而保留本地特定混淆。在四个数据集上的实验显示，Fed-CausalDiff在ATE和政策价值估计精度上优于传统方法，并在通信成本与推理保真度之间取得更好平衡。
AI 翻译 · 中文
Fed-CausalDiff是一种联邦因果扩散框架，专门用于“do-simulation”和政策评估。它将潜在状态演化分解为全局因果评分函数和局部混淆评分函数，实现解耦同步（DSS），客户端只聚合共享因果机制而保留本地特定混淆。在四个数据集上的实验显示，Fed-CausalDiff在ATE和政策价值估计精度上优于传统方法，并在通信成本与推理保真度之间取得更好平衡。
While federated learning enables collaborative modelling on decentralised data, standard methods merely fit historical observations. This purely observational approach is fundamentally insufficient for interventional inf…