Fed-CausalDiff: 연합 Do-Simulation 및 정책 평가를 위한 분리된 동기화

연합 학습 (Federated Learning)은 분산된 데이터에 대한 협력적 모델링을 가능하게 하지만, 표준적인 방법들은 단순히 과거의 관측치에 맞출 뿐입니다. 이러한 순수 관측적 접근 방식은 순차적인 행동이 미래 상태를 동적으로 변화시키기 때문에, 개입적 추론 (Interventional Inference) 및 정책 평가 (Policy Evaluation)에는 근본적으로 불충분합니다. 우리는 Do-Simulation을 위한 연합 인과 확산 프레임워크 (Federated Causal Diffusion Framework)인 extbf{Fed-CausalDiff}를 제안합니다. 이 아키텍처는 잠재 상태 (Latent State)의 진화를 글로벌 인과 점수 함수 (Global Causal Score Function)와 로컬 교란 점수 함수 (Local Confounding Score Function)로 분해합니다. 이러한 설계는 클라이언트가 공유된 인과 메커니즘만을 집계하는 동시에, 이질성 (Heterogeneity)을 처리하기 위해 사이트별 교란 요인 (Site-specific Confounders)을 로컬에 유지하는 extit{분리된 동기화 (Decoupled Synchronisation, DSS)}를 가능하게 합니다. 4개의 데이터셋에 대한 실험을 통해 Fed-CausalDiff가 더 나은 평균 처치 효과 (ATE) 및 정책 가치 (Policy-value) 추정 정확도를 달성하며, 통신 비용과 추론 충실도 (Inference Fidelity) 사이의 유리한 절충안을 제공함을 입증했습니다.