因果推論はデータ駆動型の意思決定において基礎的な役割を果たしており、因果構造の発見と因果効果の推論の両方を含みます。しかし実際には、信頼性の高い因果分析のためのデータはしばしば複数の機関に分散しており、プライバシー規制や通信制約のために一元化することができません。連合学習（FL）は、生データを共有せずに協調分析を可能にすることでこの問題に対処し、連合因果発見（FCD）および連合因果推論（FCI）という急速に成長する分野を生み出しました。
この分野の学際的な性質と包括的なサーベイの欠如は、研究者にとって参入障壁となっています。このギャップを埋めるため、「連合因果発見と推論に関するサーベイ」と題する論文が、多次元の分類法を通じて系統的なレビューを提供しています。この論文は、FCDソリューションの根底にある3つの核心的な設計決定——構造がどのように学習されるか、データがどのように分割されるか、各当事者がどのような構造的知識を得るか——に基づいて、FCDを方法論的パラダイム、連合トポロジー、構造的範囲の3つの軸に沿って整理しています。さらに、時間的ダイナミクス、データの異質性、欠損データ、非同一変数セットといった重要な実践的側面も検討しています。
FCIについては、目標推定値（平均処理効果対個別化/条件付き処理効果）と推定戦略（古典的な重み付け手法から現代の深層生成アーキテクチャまで）によって方法を分類しています。FCDとFCIを別々に扱う従来の研究とは異なり、本サーベイは両者の関連を、FCDがFCIにおける有効な効果推定に必要な構造的知識を提供するという、統一された連合因果推論パイプラインの補完的な段階として形式化しています。
最後に、プライバシー、通信効率、理論的保証、応用領域に関する共通の関心事を強調し、将来の研究のための未解決の課題を特定しています。この27ページ、4図、2表からなるサーベイは、2026年6月21日にXianjie Guoら7名によって提出され、連合因果推論分野の構造化された知識フレームワークを提供し、研究者が中心概念、方法分類、未解決問題を迅速に理解するのに役立ちます。