通过自适应变量空间选择感知样本质量异质性的联邦因果发现

基于摘要分析。该研究面向分散在多个客户端的数据开展联邦因果发现，关注同一客户端的数据在不同变量空间中质量不一、因而适合学习不同因果关系的问题。作者提出 Federated Adaptive Causal Discovery（FedACD），在联邦聚合时选择性接收各客户端学到的因果关系，而非统一聚合全部模型参数。 核心机制是自适应变量空间选择：保留高质量样本所在变量空间中学到的因果关系，屏蔽低质量变量空间中的学习结果，使客户端仅向服务器发送被选中的结果。其针对的异质性并不只是客户端之间的整体差异，还包括客户端内部不同变量空间的质量差异。摘要未说明样本质量的具体定义、选择准则、掩码生成方式、优化目标及因果可识别性假设，这些机制尚需正文核对。 作者报告，在多种类型数据集上的实验中，FedACD 相较现有方法具有显著优势；但摘要未列出数据集、评价指标、质量异质性的构造方式、基线或具体数值，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码可运行性与复现条件尚未验证。联邦设置以保护数据隐私为目标，并不等同于已提供形式化隐私保证。 平台推测（待验证）：若多中心 EEG 数据存在通道或特征子集层面的质量差异，变量空间选择可能用于减少劣质局部数据对联邦因果结构估计的干扰；这不是已证实的 BCI 效果。迁移需要明确 EEG 变量定义、跨客户端变量对应关系，并改造质量评估环节；低信噪比、潜在混杂、跨被试差异及小样本可能使质量选择与因果方向估计失效。可先在具有已知因果结构的模拟多客户端数据中，对部分变量施加噪声，再比较选择性聚合与全参数聚合的结构恢复表现。已有 EEG 相关工作尚未检索确认。