最適輸送の進展による因果関連技術基盤の深化

Research Project

Project/Area Number	24K20741
Research Category	Grant-in-Aid for Early-Career Scientists
Allocation Type	Multi-year Fund
Review Section	Basic Section 60030:Statistical science-related
Research Institution	Shiga University
Principal Investigator	PHAM THONG 滋賀大学, データサイエンス学系, 准教授 (30803530)
Project Period (FY)	2024-04-01 – 2029-03-31
Project Status	Granted (Fiscal Year 2024)
Budget Amount *help	¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000) Fiscal Year 2028: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2027: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2026: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Keywords	因果推論 / 因果探索 / 最適輸送
Outline of Research at the Start	近年では因果推論のニーズは高まってきている。実施した政策の効果や治験薬の効果等といった因果効果の推定は、政府や民間等で非常に関心を集めてきている。因果効果推定に不可欠な因果グラフをデータから推定する因果探索といった問題も盛んに研究されている。一方、最適輸送は、ソースとターゲットのサンプル集合の間の最適なマッチングを与える方法である。このマッチングはデータの構造的な特徴をよく捉えられるので、機械学習をはじめとして様々な分野で応用されている。本研究は、因果推論・因果探索と最適輸送との接点を深化させ、最適輸送の進展を因果効果推定・因果探索に適用し、優れた因果関連技術の構築を目指す。
Outline of Annual Research Achievements	今年度の研究成果は以下の三点である。第一の成果は、多次元の因果効果推定に対して、ロバストな最適輸送の適用方法を検証したことである。多次元の因果効果を推定する際、外れ値やノイズの影響により、通常の最適輸送アプローチでは推定結果が不安定になりやすい。そこで、本研究では最適輸送におけるコスト行列に正則化項を導入することで、マッチング結果の安定性を高め、結果として因果効果の推定も安定化できることを確認した。第二の成果は、加法因果モデルにおける新たな因果探索手法の提案である。従来手法では、二変数間に未観測の共通因子が存在する場合、その因果的方向性を特定することが困難であった。本研究では、周辺の特定構造に着目することで、そのような状況においても方向性の推定が可能となる十分条件を導出した。数値実験の結果、提案手法が既存手法を上回る性能を有することを確認しており、現在は本成果を論文として投稿中である。第三の成果は、因果探索手法と大規模言語モデル（LLM）を組み合わせる新しいアプローチの共同研究である。LLMの出力を効果的に取り入れることで、因果探索アルゴリズムの安定性が向上し、推定精度も高まることを確認した。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 方法論の面では、ロバストな最適輸送手法の有効性を確認し、加法因果モデルにおける新たな因果探索手法を確立することができた。応用の面では、因果探索と大規模言語モデル（LLM）との統合に関する取り組みの第一歩として、有望な成果を得ることができた。
Strategy for Future Research Activity	今後の課題としては、コスト行列への正則化以外のロバストな最適輸送手法についても検討を進める予定である。特に、さまざまな外れ値やノイズのモデルを用いて、提案手法の有効性と頑健性をより広範に評価することを目指す。加法因果モデルに関しては、因果の向きの識別性に加えて、因果効果の識別性にも着目する。一般に、因果効果の識別性は因果の向きの識別性よりも条件が緩くはないことが多いため、向きを識別可能な構造の中でも、因果効果が識別可能な構造とそうでない構造を体系的に分類することを目指す。