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 2022)
|
| Budget Amount *help |
¥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 |
因果探索パッケージの開発
因果探索とは、データから因果グラフを学習する方法論であり、LiNGAMは因果関係発見のためのモデルとしてよく知られている。LiNGAMに基づく因果関係発見のためのオープンソースのPythonパッケージを開発した。本パッケージは、統計的信頼性やモデルの仮定の評価に加え、時系列、複数グループ、混合データ、未観測共通原因がある場合などの様々な設定下で、LiNGAMに関する因果探索法を実装している。コードは、MITライセンスのもと、https://github.com/cdt15/lingam で自由に利用可能である。
連続変数と離散変数が混在する場合の因果探索法
観察データ、特に連続変数と離散変数の両方からなる混合データから因果関係を発見することは、基本的でありながら困難な問題である。従来の方法では、連続変数を離散化し離散変数を仮定する因果探索法を用いるなどしていたが、データ情報が失われる可能性がある。このような方法と比較して、混合データに対する制約に基づく方法やスコアに基づく方法は、データの特性から特定の条件付き独立性検定やスコア関数を導出するものである。しかし、これらは識別可能性が保証されていないため、マルコフ同値類を返すのみである。そこで、本研究では、連続変数と離散変数の構造的因果モデルに基づき、二変量および多変量の場合における識別可能性条件を考察した。さらに、混合データに対して因果構造を発見するための2段階ハイブリッド法を提案した。人工データと実世界のデータを用いた実験により、我々の提案するLiMモデルの識別可能性と有効性を検討した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究成果を広く公開するための土台となるcode packageを公開および論文としても出版できた。離散変数と連続変数の混在という実際上必要だが、比較的あまり研究されていなかったケースについて、論文として成果をまとめることができた。
|
| Strategy for Future Research Activity |
これまでの研究成果に巡回する場合の結果を統合していく。
|
Report
(3 results)
Research Products
(30 results)
-
-
-
-
-
-
[Journal Article] Causal Discovery for Linear Mixed Data2022
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
Related Report
Peer Reviewed / Open Access / Int'l Joint Research
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
