2024 Fiscal Year Research-status Report
| Project/Area Number |
24K20741
|
|---|
| 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
|
| Keywords | 因果推論 / 因果探索 |
|---|
| 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。
|
| Causes of Carryover |
独立基盤形成のために計算機の購入を計画したが、次の世代の計算資源を出るのを待っていたので差額が生じた。今年度にタイミングをみて計画を立てる。
|
