Scoperta Causale Federata Sotto Interventi Client Sconosciuti
L'algoritmo I-PERI, un nuovo approccio di scoperta causale federata, identifica efficacemente una classe di equivalenza più precisa a partire da dataset decentralizzati che coinvolgono interventi a livello client sconosciuti. I metodi tradizionali spesso presuppongono modelli causali uniformi tra i client, il che non è pratico, specialmente in contesti vari come ospedali con protocolli distinti. Inizialmente, I-PERI ricostruisce il CPDAG dall'unione dei grafi dei client e successivamente orienta ulteriori archi sfruttando le variazioni strutturali causate dagli interventi. Questo processo produce la Φ-Classe di Equivalenza di Markov, offrendo una rappresentazione più sofisticata rispetto alla classe di equivalenza di Markov convenzionale. Questa ricerca affronta problemi legati alla decentralizzazione dei dati e alla privacy senza necessità di conoscenza preliminare dei target di intervento.
Fatti principali
- I-PERI è un algoritmo federato per la scoperta causale.
- Gestisce interventi a livello client sconosciuti.
- Recupera il CPDAG dell'unione dei grafi dei client.
- Orienta ulteriori archi utilizzando le differenze strutturali degli interventi.
- La classe di equivalenza risultante è chiamata Φ-Classe di Equivalenza di Markov.
- Il metodo affronta vincoli di decentralizzazione dei dati e privacy.
- I metodi esistenti presuppongono che tutti i client condividano lo stesso modello causale.
- Il lavoro è motivato da protocolli eterogenei tra ospedali.
Entità
—