| 研究課題/領域番号 |
19K12128
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61030:知能情報学関連
|
|---|
| 研究機関 | 早稲田大学 |
|---|
研究代表者 |
堀井 俊佑 早稲田大学, データ科学センター, 准教授 (00552150)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2022年度)
|
| 配分額 *注記 |
2,470千円 (直接経費: 1,900千円、間接経費: 570千円)
2021年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2020年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2019年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
|
|---|
| キーワード | 統計的因果推論 / ベイズ決定理論 / スパースモデリング / 構造的因果モデル / 平均介入効果 / 条件付き平均処置効果 / 部分線形モデル / 操作変数法 |
|---|
| 研究開始時の研究の概要 |
データ分析から得られた知見を使い，何らかの行動をした場合の結果を統計的に分析する方法として統計的因果推論の研究が注目を浴びている．本研究では特に因果ダイアグラム・構造方程式モデルに基づいた統計的因果推論を扱う．
本研究では「介入効果をベイズ最適に推定する場合の有効性はどの程度か？」及び「ベイズ的スパースモデリングの考え方を応用することで，ベイズ最適な介入効果推定を効率的に近似計算することは可能か？」という２つの問いに対し，構造的因果推論，機械学習，最適化理論，ベイズ統計学，統計的決定理論，スパースモデリングの分野の知見を融合したアプローチによって，肯定的な回答を与えることを目指す．
|
| 研究実績の概要 |
本研究の目的は，統計的因果分析における因果効果の推定問題をスパースモデリング・ベイズ統計学・決定理論に基づいてモデル化し，ベイズ最適な決定法，及び効率的な近似アルゴリズムの構築と解析を行うことであった．統計的因果分析は，データ分析から得られた知見を使い，何らかの行動をした場合の結果を統計的に分析する学問であり，疫学・社会科学・政治経済学など幅広い応用を持ち，注目を浴びている．
2022年度は，部分線形モデルとよばれるモデルを拡張したモデルにおいて，条件付き平均処置効果とよばれる量をベイズ的方法で推定するアルゴリズムを提案し，その性能を理論的・実験的に解析を行った．統計的因果推論の分野では近年，因果効果の異質性に注目した研究が多く行われているが，本研究もその一種である．関連する手法として，Double/Debiased Machine Learningとよばれる手法が広く用いられているが，実験によりこの手法と比較して条件付き平均処置効果を高い精度で推定できることを示した．本研究の研究成果は現在国際会議に投稿中である．
また，部分線形モデルにおいて，因果効果推定を目的とした能動学習の手法を提案し，その性能を実験的に解析した．例えば，ある新薬の効果を明らかにしたい場合，できるだけ知見者の数を少ない状況で，効果を高い精度で推定したい．本研究は，このように少ないサンプルサイズで処置変数の目的変数に与える因果効果を高精度で推定したい問題で有効である．この研究成果については国際会議で発表を行った．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
予定では2021年度までに得られた研究成果を2022年度に国内会議・国際会議で発表する予定であった．この点について，計画通り研究を遂行できている．また，当初予定にはなかった，因果効果推定を目的とした能動学習に関する研究も行い，新たな知見が得られつつある．
|
| 今後の研究の推進方策 |
2021年度・2022年度に行った部分線形モデルのノンパラメトリックベイズモデルによる拡張について，実験的・理論的解析を追加で行い，得られた成果を国際会議で発表を行い，また論文の執筆を行う．また2022年度より開始した因果効果推定を目的とした能動学習に関する研究も実験的・理論的解析を行い，得られた成果を国際会議で発表を行う．
|
