| 研究課題/領域番号 |
20K11708
|
|---|
| 研究機関 | 滋賀大学 |
|---|
研究代表者 |
清水 昌平 滋賀大学, データサイエンス学部, 教授 (10509871)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2025-03-31
|
| キーワード | 因果探索 / 説明性 / 制御 / 最適介入 / 個体レベル |
|---|
| 研究実績の概要 |
1. 複数データセットを用いた潜在因子間の因果探索法を提案した。観測データから潜在因子間の因果構造を推定することは、重要であるが挑戦的な問題である。既存の手法は単一ドメインのデータに焦点を合わせている。本手法では、マルチドメイン非ガウス非循環モデル（MD-LiNA）を提案した。このモデルでは、ドメイン間で因果構造は異なるかもしれないが、潜在因子間の因果構造はなんらか共有されているとし、どの因子が共通でどの因子が特定のドメインに特有かを調べることができる。
2. 潜在共通原因や潜在中間変数のある場合の非線形因果探索法を提案した。未観測変数の影響があるデータからの因果探索は、重要であるが解決困難な問題である。観測されない変数が観測された変数間の関係に与える影響は、線形な場合よりも非線形な場合の方がより複雑である。本手法では、観測されない変数が存在する場合の因果加法モデルに注目して、未観測変数の影響を受ける変数ペアとそうでないペアを見つけ、そうでないペアの因果方向などを推定する。
3. 因果モデルと機械学習モデルを組み合わせた個体レベル最適介入推定法を提案した。個人レベルの最適因果介入、すなわち、ある個人のある変数の値をどの値に設定すれば、別の変数の望ましい値が得られるかを推定する、新しい統計的因果推論手法を導入した。これは、望ましい値と、その個人に対する設定の下で得られたであろう値との誤差を最小にする最適化問題として定義される。この最適化問題を解くために、まず目的変数の値を予測する機械学習モデルを学習し、変数の因果構造を推定する。そして、機械学習モデルと因果構造を組み合わせて一つの因果モデルとし、予測された目的変数の反実仮想値を推定する。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
未観測共通原因、潜在因子、未観測中間変数などの潜在変数が存在する場合の因果探索法の論文が採択された。また、製造業データや博士課程進学に関するデータを用いて応用研究も実施し、学会発表を行った。
|
| 今後の研究の推進方策 |
巡回構造のある場合の因果探索アルゴリズムの研究開発へ注力していきたい。それをこれまでに開発した潜在変数のある場合の因果探索法と組み合わせていく。また、実際の応用にも取り組み、改善点などを洗い出していく。
|
| 次年度使用額が生じた理由 |
主に、コロナ禍でWeb会議で代替されたため旅費に残額が生じたため
|
