2021 Fiscal Year Research-status Report
未観測共通原因が存在するデータからの多変数間因果グラフ推定
| Project/Area Number |
20K19872
|
|---|
| Research Institution | Institute of Physical and Chemical Research |
|---|
Principal Investigator |
前田 高志ニコラス 国立研究開発法人理化学研究所, 革新知能統合研究センター, 特別研究員 (20848361)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 統計的因果探索 |
|---|
| Outline of Annual Research Achievements |
統計的因果探索とは、介入を伴わずに与えられたデータのみから変数間の因果関係を推定する方法論を研究する領域である。これまで、多くの研究では未観測共通原因の不在が仮定されてきた。しかし、このような仮定をデータが満たすことは稀である。このため、本研究では、未観測共通原因の存在を認めた統計的因果探索の方法論を模索している。
前年度では因果関係が線形であるものを対象としたが、本年度は、因果関係が非線形であるようなデータ生成モデルを持つ変数間の因果関係の推定方法を研究してきた。未観測共通原因がある場合、すべての非線形な因果関数に対応した因果方法は不可能であるが、因果関数が一般化加法モデルの形式になっているものであれば、ほとんどの場合に因果関係が特定でき、また特定できないものがどのようなものであるかを定式化して示すことができた。具体的には、２変数間の因果関係が特定できないのは、両変数に共通の直接的ないし間接的な原因があり、その共通原因から２変数への影響が、２変数それぞれの直接原因となる未観測変数を介している場合である。本研究では、fMRIの人工データに適応した結果、因果構造を効果的に推定できることもわかった。本研究はトップカンファレンスであるUAI2021で発表を行った。UAI2021ではオーラルによる発表の機会を与えられた。また、このほかに、前年度の研究をInternational Journal of Data Science and Analyticsにて発表した。加えて、本研究通し得られた知見について、下記の２つの講演で発表した。
・2021年9月11日 "Causal discovery in the presence of unobserved variables", International Symposium on Causal Inference and Machine Learning
・2021年5月14日 "未観測共通原因が存在するときの因果グラフ推定", 応用統計学会・日本計量生物学会チュートリアルセミナー2021
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初目標としていた「因果関係が非線形である場合の因果推定」を実現することができ、国際会議においても報告することができた。
|
| Strategy for Future Research Activity |
今後は、カテゴリカル変数などの離散変数を含むデータにも対応した統計的因果探索の方法論を構築する。また、生命科学への応用についても研究を進める。
|
| Causes of Carryover |
2021年度の研究実績をジャーナル論文等に発展させるなどの経費が2022年度以降に必要になったため。
|
