未観測共通原因が存在する場合の巡回因果モデル推定法の研究と応用

• Project/Area Number: 20K11708
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 60030:Statistical science-related
• Research Institution: Shiga University
• Principal Investigator: 清水 昌平 滋賀大学, データサイエンス学系, 教授 (10509871)
• Project Period (FY): 2020-04-01 – 2025-03-31
• Project Status: Granted (Fiscal Year 2023)
• Budget Amount: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000); Fiscal Year 2024: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000); Fiscal Year 2023: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000); Fiscal Year 2022: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000); Fiscal Year 2021: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000); Fiscal Year 2020: ¥1,950,000 (Direct Cost: ¥1,500,000、Indirect Cost: ¥450,000)
• Keywords: 因果探索 / 説明性 / 制御 / 最適介入 / 個体レベル / 統計的因果推論 / 統計的因果探索 / 因果推論

Outline of Research at the Start

実質科学の主目的は、因果関係の解明である。介入を伴う実験を行うことができれば分析は 比較的シンプルになるが、多くの応用領域において倫理やコストの観点から介入実験を行うことは難しい。そこで本提案では、介入を伴う実験によって得られたのではない観察データから、観測変数間の因果構造を推定するための統計解析法を研究開発する。本研究では、未観測共通原因の存在と因果の双方向性を許しつつ因果構造 を推定する方法を研究開発することを目的とする。さらに、開発した推定法を用いて、マー ケティングサイエンスや生命科学などの観点から興味深い因果仮説を見つけることを目指す。

Outline of Annual Research Achievements

因果探索法の応用として、反事実確率の推定をする際に因果探索を用いて因果グラフを推定するところから始め、反転確率を求め、金融機関のデータを分析した。説明可能な人工知能（XAI）は、機械学習アルゴリズムの内部メカニズムを明らかにするのに役立ち、その予測の根拠を示すことで信頼性を強化する。いくつかのXAIモデルは、予測モデルの入出力関係や特徴間の依存関係を調べることでモデルを説明するために因果関係を考慮する。これらのモデルの大部分は、因果グラフが既知であるという仮定に基づいて説明を行っている。しかし、この仮定は、実際の多くの場合で特徴間の因果関係が不明であるため、実データへの適用を難しくしている。そこで、因果グラフが既知であるという制約を緩和するために因果探索を用いた。

また、日本とアメリカ（US）の金融市場間の関係を探るために、異なる金融政策の方向性の下でVAR-LiNGAMやLPCMCIといった因果探索法を用いた。VAR-LiNGAMの結果は、前日のUS市場が翌日の日本の市場に影響を与え、株式と債券の市場でその傾向が見られるほか、前日の債券市場が翌日の外国為替（FX）市場に直接、また翌日の日本の株式市場に間接的に影響を及ぼすことが示唆された。LPCMCIの結果は潜在的な交絡変数の存在を示唆した。

方法論については、既存の連続最適化に基づく構造学習アルゴリズムとともに使用可能な変数グループ用の制約を提案し、変数グループ間の因果構造を学習できるようにした。また、location-scale noiseを伴う非線形時系列データ用の構造学習アルゴリズムを合わせて提案した。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

未観測共通原因のある場合の推定法やその応用については順調に進んでいる。巡回モデルの推定法や応用についても準備を進めているが、出版などには至っていないため。

Strategy for Future Research Activity

巡回モデルの方法と応用に注力する。

Research Products

• [Int'l Joint Research] 清華大学(中国)
• [Int'l Joint Research] Guangdong University of Technology/Tsinghua University/Peking University(中国)
• [Int'l Joint Research] Guandong University of Technology/Foshan University(中国)
• [Journal Article] Structure Learning for Groups of Variables in Nonlinear Time-Series Data with Location-Scale Noise (2023)
  • Author(s): Genta Kikuchi, Shohei Shimizu
  • Journal Title: Proc. Causal Analysis Workshop 2023 (CAWS2023), PMLR Volume: 223 Pages: 20-39
  • Peer Reviewed / Open Access
• [Journal Article] Linkages among the Foreign Exchange, Stock, and Bond Markets in Japan and the United States (2023)
  • Author(s): Yi Jiang, Shohei Shimizu
  • Journal Title: Proceedings of the 2023 Causal Analysis Workshop Series, PMLR Volume: 223 Pages: 1-19
  • Peer Reviewed / Open Access
• [Journal Article] Python package for causal discovery based on LiNGAM 著者 (2023)
  • Author(s): Takashi Ikeuchi, Mayumi Ide, Yan Zeng, Takashi Nicholas Maeda, Shohei Shimizu
  • Journal Title: Journal of Machine Learning Research Volume: 24 Pages: 1-8
  • Peer Reviewed / Open Access / Int'l Joint Research
• [Journal Article] CNN-GRU Based Deep Learning Model for Demand Forecast in Retail Industry (2022)
  • Author(s): Kazuhi Honjo, Xiaokang Zhou, Shohei Shimizu
  • Journal Title: Proc. 2022 International Joint Conference on Neural Networks (IJCNN) Volume: - Pages: 1-8
  • DOI: 10.1109/ijcnn55064.2022.9892599
  • Peer Reviewed
• [Journal Article] Causal Discovery for Linear Mixed Data (2022)
  • Author(s): Yan Zeng, Shohei Shimizu, Hidetoshi Matsui, Fuchun Sun
  • Journal Title: Proceedings of the First Conference on Causal Learning and Reasoning, PMLR Volume: 177 Pages: 994-1009
  • Peer Reviewed / Open Access / Int'l Joint Research
• [Journal Article] Chemical-Mediated Microbial Interactions Can Reduce the Effectiveness of Time-Series-Based Inference of Ecological Interaction Networks (2022)
  • Author(s): Suzuki Kenta、Abe Masato S.、Kumakura Daiki、Nakaoka Shinji、Fujiwara Fuki、Miyamoto Hirokuni、Nakaguma Teruno、Okada Mashiro、Sakurai Kengo、Shimizu Shohei、Iwata Hiroyoshi、Masuya Hiroshi、Nihei Naoto、Ichihashi Yasunori
  • Journal Title: International Journal of Environmental Research and Public Health Volume: 19 Issue: 3 Pages: 1228-1228
  • DOI: 10.3390/ijerph19031228
  • Peer Reviewed / Open Access
• [Journal Article] Causal Discovery with Multi-Domain LiNGAM for Latent Factors (2021)
  • Author(s): Zeng Yan、Shimizu Shohei、Cai Ruichu、Xie Feng、Yamamoto Michio、Hao Zhifeng
  • Journal Title: Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence Volume: - Pages: 2097-2103
  • DOI: 10.24963/ijcai.2021/289
  • Peer Reviewed / Open Access / Int'l Joint Research
• [Journal Article] Causal additive models with unobserved variables (2021)
  • Author(s): Takashi Nicholas Maeda, Shohei Shimizu
  • Journal Title: Proceedings of the Thirty-Seventh Conference on Uncertainty in Artificial Intelligence, PMLR Volume: 161 Pages: 97-106
  • Peer Reviewed / Open Access
• [Journal Article] Estimating individual-level optimal causal interventions combining causal models and machine learning models (2021)
  • Author(s): Keisuke Kiritoshi, Tomonori Izumitani, Kazuki Koyama, Tomomi Okawachi, Keisuke Asahara, Shohei Shimizu
  • Journal Title: Proceedings of The KDD'21 Workshop on Causal Discovery, PMLR Volume: 150 Pages: 55-77
  • Peer Reviewed / Open Access
• [Journal Article] Nonlinear Causal Discovery for High-Dimensional Deterministic Data (2021)
  • Author(s): Zeng Yan、Hao Zhifeng、Cai Ruichu、Xie Feng、Huang Libo、Shimizu Shohei
  • Journal Title: IEEE Transactions on Neural Networks and Learning Systems Volume: - Issue: 5 Pages: 1-12
  • DOI: 10.1109/tnnls.2021.3106111
  • Peer Reviewed / Int'l Joint Research
• [Journal Article] RCD: Repetitive causal discovery of linear non-Gaussian acyclic models with latent confounders (2020)
  • Author(s): Takashi Nicholas Maeda, Shohei Shimizu
  • Journal Title: Proceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics Volume: 108 Pages: 735-745
  • Peer Reviewed / Open Access / Int'l Joint Research
• [Presentation] 大学別の博士課程進学等に関するデータセットの構築と統計的因果探索 (2023)
  • Author(s): 高山正行, 小松尚登, ファムテトン, 前田高志ニコラス, 三内顕義, 小柴等, 清水昌平
  • Organizer: 研究・イノベーション学会 第38回年次学術大会
• [Presentation] 大規模言語モデルを活用した博士課程進学に関する因果探索の試行 (2023)
  • Author(s): 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平
  • Organizer: 研究・イノベーション学会 第38回年次学術大会
• [Presentation] Non-Gaussian methods for causal discovery (2023)
  • Author(s): Shohei Shimizu
  • Organizer: 16th International Conference of the ERCIM WG on Computational and Methodological Statistics (CMStatistics 2023), Berlin. Organized Invited Session: Statistical Learning of Non-Gaussian Data
• [Presentation] 時系列データに対する予測モデルの介入効果の推定 (2022)
  • Author(s): 藤原大悟, 小山和輝, 大川内智海, 泉谷知範, 浅原啓輔, 清水昌平
  • Organizer: 第36回人工知能学会全国大会
• [Presentation] 統計的因果探索: 領域知識とデータによる因果構造グラフの推測 (2022)
  • Author(s): 清水昌平
  • Organizer: 第18回愛媛大学DS研究セミナー
  • Invited
• [Presentation] 統計的因果探索アルゴリズム”LiNGAM”を用いた若手研究者支援政策に関する研究 (2022)
  • Author(s): 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平, 星野利彦
  • Organizer: 研究・イノベーション学会 第37回年次学術大会
• [Presentation] 統計的因果探索とAI (2022)
  • Author(s): 清水昌平
  • Organizer: 脳病態数理・データ科学セミナーシリーズ
  • Invited
• [Presentation] Causal Discovery with Multi-Domain LiNGAM for Latent Factors (2021)
  • Author(s): Y. Zeng, S. Shimizu, R. Cai, F. Xie, M. Yamamoto, Z. Hao
  • Organizer: Causal Analysis Workshop Series 2021 (CAWS2021)
  • Int'l Joint Research
• [Presentation] LiNGAM approach to causal discovery (2021)
  • Author(s): S. Shimizu
  • Organizer: The KDD2021 Workshop on Causal Discovery (CD2021)
  • Int'l Joint Research / Invited
• [Presentation] 統計的因果探索アルゴリズム”LiNGAM” を用いた若手研究者支援政策に関する研究 (2021)
  • Author(s): 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平, 星野利彦
  • Organizer: 研究・イノベーション学会 第36回年次学術大会
• [Presentation] EBPMと統計的因果探索・数理モデルの利活用 (2021)
  • Author(s): 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平, 星野利彦
  • Organizer: 研究・イノベーション学会 第36回年次学術大会
• [Presentation] セミパラメトリックアプローチによる統計的因果探索 (2021)
  • Author(s): 清水昌平
  • Organizer: 人工知能学会 第118回 人工知能基本問題研究会 (SIG-FPAI)
• [Presentation] プラントシミュレータを用いた時系列因果探索手法の評価 (2021)
  • Author(s): 小山和輝, 藤原大悟, 切通恵介, 大川内智海, 泉谷知範, 浅原啓輔, 清水昌平
  • Organizer: 電子情報通信学会 パターン認識・メディア理解（PRMU）研究会
• [Presentation] 統計的因果探索: セミパラメトリックアプローチを中心に (2021)
  • Author(s): 清水昌平
  • Organizer: 電子情報通信学会 パターン認識・メディア理解（PRMU）研究会
• [Presentation] 時系列データに対する予測モデルの介入効果の推定 (2020)
  • Author(s): 切通恵介, 紅林亘, 泉谷知範, 小山和輝, 木村大地, 大川内智海, 清水昌平
  • Organizer: 第34回人工知能学会全国大会
• [Presentation] データ駆動による因果仮説探 (2020)
  • Author(s): 清水昌平
  • Organizer: JST 研究開発戦略センター(CRDS)俯瞰セミナーシリーズ「機械学習と科学」
  • Invited
• [Presentation] Linear non-Gaussian models with latent variables for causal discovery (2020)
  • Author(s): Shohei Shimizu
  • Organizer: The 2020 Pacific Causal Inference Conference
  • Int'l Joint Research / Invited
• [Presentation] Statistical Estimation of Gene Regulatory Network (2020)
  • Author(s): Y. Imoto, Y. Hiraoka, S. Shimizu, T. Nicolas Maeda, Y. Kojima, M. Saitou
  • Organizer: JSPS Core-to-Core Program “Establishing International Research Network of Mathematical Oncology”
  • Int'l Joint Research
• [Presentation] 因果探索という道具 (2020)
  • Author(s): 清水昌平
  • Organizer: 一般社団法人データサイエンティスト協会 7thシンポジウム
  • Invited
• [Presentation] Linear non-Gaussian models with latent variables for causal discovery (2020)
  • Author(s): Shohei Shimizu
  • Organizer: The 2020 NeurIPS Workshop on Causal Discovery and Causality-Inspired Machine Learning
  • Int'l Joint Research / Invited
• [Book] Statistical Causal Discovery: LiNGAM Approach (2022)
  • Author(s): Shohei Shimizu
  • Total Pages: 94
  • Publisher: Springer, Tokyo
  • ISBN: 9784431557845