Naukowcy z arXiv opublikowali szeroki przegląd literatury na temat federated causal discovery i inference - dziedziny łączące uczenie federalne z analizą przyczynową. Problem jest fundamentalny: dane potrzebne do niezawodnej analizy przyczynowej znajdują się często w wielu instytucjach i nie mogą być scentralizowane ze względu na regulacje prywatności lub ograniczenia komunikacyjne.
Przegląd organizuje istniejące podejścia wzdłuż trzech osi: paradygmatu metodologicznego (sposobu uczenia się struktur), topologii federacji (jak dane są rozproszone) i zakresu strukturalnego (jaką wiedzę otrzymuje każda strona). Autorzy analizują także praktyczne wymiary problemu - dynamikę czasową, heterogeniczność danych, brakujące wartości i sytuacje, gdy instytucje pracują na różnych zbiorach zmiennych.
Dla części dotyczącej wnioskowania przyczynowego, metody są kategoryzowane według szacowanego efektu (średni efekt leczenia versus efekty indywidualne) i strategii estymacji, od klasycznych metod ważenia po nowoczesne architektur generacyjnych. Ten przegląd ma znaczenie dla organizacji mających dostęp do wrażliwych danych rozproszczonych - pokazuje, jak można wnioskować o zależnościach przyczynowych bez narażania prywatności, co ma praktyczne zastosowanie w medycynie, naukach społecznych i biznesie.