因果推理涵盖因果结构的发现与因果效应的推断，是数据驱动决策的基础。在现实环境中，用于可靠因果分析的数据往往分散于不同机构之间，受隐私法规或通信条件的限制，难以集中到一处。联邦学习通过在不共享原始数据的前提下实现协作分析，为这一问题提供了解决思路，由此催生了快速发展的联邦因果发现与联邦因果推断这一新兴领域。然而，该领域具有鲜明的跨学科特征，且此前缺乏系统性综述，这为试图进入该方向的研究者设置了较高的门槛。
发表于 arXiv 的论文《A Survey on Federated Causal Discovery and Inference》（联邦因果发现与推断综述）正是为填补这一空白而作。该论文由 Xianjie Guo 等七位作者共同完成，提交于 2026 年 6 月 21 日，属于 arXiv 机器学习（cs.LG）分类下的新投稿，同时涉及人工智能（cs.AI）以及分布式、并行与集群计算（cs.DC）等交叉方向。论文篇幅为 27 页，包含 4 幅图和 2 张表，以期刊论文形式呈现。
在联邦因果发现（FCD）部分，作者以任何 FCD 方案都绕不开的三个核心设计决策为出发点构建分类体系，即结构如何被学习、数据如何被划分，以及各方最终获得何种结构知识。基于这三点，综述沿三个维度对现有方法进行组织：方法论范式、联邦拓扑结构以及结构范围。除方法层面的归类外，论文还专门讨论了若干关键的实际维度，包括时间动态、数据异质性、缺失数据以及各方变量集合不完全相同等情形，这些问题在真实联邦场景中普遍存在，直接影响方法的可用性。
在联邦因果推断（FCI）部分，作者按目标估计量对方法进行分类，区分平均处理效应与个体化或条件处理效应；同时按估计策略进行梳理，覆盖从经典加权方法到现代深度生成架构的多种技术路线。这一双重视角有助于读者理解不同方法在推断目标与技术手段上的取舍。
与以往将联邦因果发现与联邦因果推断分开处理的工作不同，本文明确将二者形式化为统一联邦因果推理流程中相互补充的两个阶段：FCD 为 FCI 提供进行有效效应估计所必需的结构知识，而 FCI 则在结构信息的基础上完成效应推断。这一统一视角是本文的重要贡献之一。
最后，论文指出了两个方向共同面临的关切，包括隐私保护、通信效率、理论保证以及应用领域等，并在结尾处梳理了未来研究中的开放挑战，为后续工作提供了参考方向。该论文的 DOI 为 10.48550/arXiv.2606.23741，可通过 arXiv 获取 PDF、实验性 HTML 版本及 TeX 源文件。