联邦Granger因果学习不确定性量化论文提交

Ayush Mohanty、Nazal Mohamed 和 Nagi Gebraeel 提交了一篇论文，研究联邦 Granger 因果学习中的不确定性量化。论文推导出客户端-服务器迭代的闭式方差递推与稳态方差，并证明初始模型参数不确定性的传播贡献渐近消失；基于边特异方差，方法可统计上区分真实的跨客户端依赖与虚假边。 合成实验显示该方法的跨客户端边恢复优于对比基线；论文称在真实工业数据集上取得高根因识别准确率并给出可解释的依赖结构。论文标注为 Manuscript under review。

AI 根据报道生成 · 46 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。