データが複数の機関に分散している現代において、プライバシー規制や通信制約により生データの統一化が困難な場合、どのようにして因果関係を分析するかは重要な課題です。本論文は、フェデレーテッド学習（FL）の枠組みを活用して、生データを共有することなく協調的な因果分析を実現するフェデレーテッド因果探索（FCD）とフェデレーテッド因果推論（FCI）という急速に成長する分野を包括的に調査した研究です。 因果推論は因果構造の発見と因果効果の推測から成り立ち、データ駆動型の意思決定において根本的な役割を果たします。本調査では、FCD関連の解決策の基盤となる三つの中核的な設計決定——構造がいかに学習されるか、データがいかに分割されるか、各当事者がいかなる構造知識を獲得するか——に基づいて、方法論的パラダイム、フェデレーション・トポロジー、構造的スコープの三つの軸に沿ってFCDを整理しています。 さらに、時間的ダイナミクス、データ異質性、欠損データ、非同一変数集合といった実践的な次元も検討されています。FCI関連では、目標推定量（平均処置効果対個別的・条件付き処置効果）と推定戦略（古典的な加重手法から現代的な深層生成アーキテクチャまで）によって手法を分類しています。本研究の重要な貢献は、FCD と FCI を統合されたフェデレーテッド因果推論パイプラインの補完的段階として形式化し、その相互関係を明確にしたことです。最後に、プライバシー、通信効率、理論的保証、応用領域という共通の懸念事項を強調し、将来研究の課題を指摘しています。