因果探索の発展と展望

統計サマーセミナー2026

Transcript

1. 統計サマーセミナー2026 因果探索の発展と展望 清水昌平 大阪大学・滋賀大学
2. 2 清水の自己紹介 ◼3つの所属 • 大阪大学 産業科学研究所 教授 • 滋賀大学 データサイエンス学系 教授 (クロアポ) • 理研AIP 理化学研究所 革新知能統合研究センター 因果推論チーム チームディレクター ◼研究室ウェブページ: https://www.shimizulab.org ◼専門: 因果探索 Shimizu, Statistical Causal Discovery: LiNGAM approach, Springer, 2022 清水, 統計的因果探索, 講談社, 2017
3. 3 因果探索?
4. 4 統計的因果推論 (Imbens & Rubin, 2015; Pearl, 2009) 相関係数: 0.79 ◼予測 • チョコ消費量がこのくらいなら ノーベル賞の数はどのくらい？ ◼因果 • チョコ消費量を増やすと (介入) ノーベル賞の数は増える？ ◼無作為化実験により データを集めるのは困難 ◼それ以外の観察データを活用 ノ ー ベ ル 賞 受 賞 者 の 数 チョコレート消費量 Messerli, (2012), New England Journal of Medicine
5. 5 因果推論の手順の典型例 1. 推定したいものを決める: 介入効果 2. 領域知識を用いて因果構造を表すグラフを描く GDP 共通原因 因果グラフ チョコ 賞 3. どの変数を分析に含めるかを、数学的理論から導く 4. (もしあれば) その変数も観測し分析に含めて、推定 ◼因果グラフを描くだけの領域知識がないことは多い ◼因果探索: データを用いて因果グラフを推測
6. 6 因果探索とは ◼因果グラフを描く「支援」 ◼データを用いて因果グラフを推測するための方法論 ◼領域知識以外の手段 仮定(+領域知識) • • • • 未観測共通原因の有無 非巡回 or 巡回 分布 関数形など データ 因果グラフ 推測 Maeda and Shimizu (2020)
7. 両方必要: 予測だけでなく制御するためには 因果関係の理解が必要 ◼相関: 健康診断結果から将来の病気を予測 ◼因果: 体重を減らした場合にどう変わるかを知りたい 体重 LDL 体重 ෣ 病気 LDL 血圧 血圧 . . . . . . 機械学習による予測モデル ෣ 病気 変化を調べるなら因果も考慮 7
8. 8 なぜ因果探索? なぜ因果探索を選んだのか なぜ因果探索を進めるのか
9. 9 卒論の頃 2000年頃 ◼大阪大学 人間科学部 • 心理学、教育学、社会学、哲学など • 統計学、実験計画法、多変量解析、構造方程式モデリング (ユーザー向け授業) ◼自分が何ができるかを記録に残す方法として論文 ◼理論・方法・適用 • 「方法」が一点突破すれば“残る” かも
10. 10 方法の中から因果探索へ ◼当時の流行 • 機械学習初期?: SVMやブースティング、lasso • ニューラルネットワークからの派生: 独立成分分析 • 因果推論: Rubin, Pearl (フレームワーク) ◼指導教員: “経歴を活かす他ない” • 独立成分分析 社会科学でなんか「方法」考える ◼いくつか考えた中で、 “外部”に一番ウケが良かったのが因果探索 • 2003-2006頃 (博士)
11. 11 AI for Scienceが盛り上がっている ◼科学の主目的は因果関係の解明 • AI for Scienceが描く研究サイクルに因果推論も必須 ◼データに基づく意思決定 ◼相関+想像力より 因果推論に基づく実験・調査 ◼因果に関する知見を蓄積 https://www.mext.go.jp/content/20250826-ope_dev02-000044427_8.pdfより抜粋
12. 12 因果探索の発展? どんな方法でも仮定はある 仮定に合わせて選べるように
13. 13 因果探索のフレームワーク ◼構造的因果モデル (Pearl, 2009) 𝑥𝑖 = 𝑓𝑖 (𝑥𝑖 の親, 𝑒𝑖 ) 誤差変数 ◼介入 𝑝(𝑥𝑖 |𝑑𝑜 𝑥𝑗 = 𝑐 ) := 𝑝(𝑥𝑖 | 𝑥𝑗 の構造方程式を𝑥𝑗 = 𝑐に取り替え) ◼因果モデルに仮定をおき、 その中でデータとつじつまの合うモデルを探す x3 e3 x1 e1 x2 e2 x3 x1 𝑐 x2 e2
14. 14 因果探索の基本アイデア (Spirtes+2001) 1. 仮定をおく • 非巡回 • 未観測の共通原因なし 2. 仮定を満たすグラフの中で、データとつじつまの合うグラフを残す 3つの候補 (a) x y (b) x y (c) x y 「データでxとyが従属する」なら、 (a)と(b)を残す そうでなければ、(c)を残す
15. 15 因果探索はどう発展してきたか? ◼ノンパラ (Spirtes et al., 2001) • ただし、推定の際はなんらか仮定: e.g., 線形性＋ガウス分布 • いろいろな拡張 (未観測共通原因・巡回) ◼「関数形や分布に仮定を入れずにどこまでできるか」 ◼ただ、向きを推定できないことが多い ◼「どんな仮定があれば向きも推定可能なのか？」という 研究方向が現れてくることに (Shimizu et al., 2006)
16. 16 LiNGAMモデル (Shimizu, Hyvarinen, Hoyer & Kerminen, 2006) ◼Linear Non-Gaussian Acyclic Model 𝑥𝑖 = ෍ 𝑏𝑖𝑗 𝑥𝑗 + 𝑒𝑖 𝑗: 𝑥𝑖 の親 • 誤差変数 𝑒𝑖 は非ガウス連続で独立 • 未観測の共通原因なし ◼因果グラフ (と係数)をデータから識別可能 𝑏13 𝑥1 𝑥3 𝑏21 𝑏23 𝑥2
17. 17 非ガウス性と独立性をどう使うか？ 正しいモデル ガウスだと 無相関＝独立 𝑥1 = 𝑒1 𝑥2 = 𝑏21 𝑥1 + 𝑒2 結果𝑥2 を原因𝑥1 に回帰 cov( x2 , x1 ) (1) x1 残差 r2 = x2 − var( x1 ) = x2 − b21 x1 = e2 x1 (= e1 )とr2(1) は独立 𝑥1 𝑒1 𝑥2 𝑒2 𝑏21 ≠ 0 原因𝑥1 を結果𝑥2 に回帰 r1( 2 ) = x1 − cov( x1 , x2 ) x2 var( x2 )  b21 cov( x1 , x2 )  b21 var( x1 ) = 1 − e2 e1 − var( x2 )  var( x2 )  x2 (= b21e1 + e2 )とr1( 2) は 従属
18. Darmois-Skitovitch’ theorem (Darmois, 1953; Skitovitch, 1953) Darmois-Skitovitch’ theorem: 変数𝑥1 と𝑥2 を次のように定義する： p p j =1 j =1 x1 =  a1 j e j , x2 =  a2 j e j 原因𝑥1 を結果𝑥2 に回帰 x1 = b12 x2 + 1  e1 (b12  0) x2 = e2 x2 を x1 に回帰して, cov( x2 , x1 ) = x2 − x1 var( x1 ) ここで𝑒𝑗 は独立な確率変数 r もし𝑎1𝑖 𝑎2𝑖 ≠ 0となるような 非ガウスな 𝑒𝑖 があれば、 𝑥1 と𝑥2 は従属 (独立でない) b12 var(x2 )  b12 cov( x2 , x1 )  = 1 − e1  x2 − var( x1 )  var( x1 )  (1) 2 x2 (= b21e1 + e2 )とr1( 2 ) は 従属 18
19. 19 未観測共通原因の有無の判定 (Tashiro+14) ◼未観測共通原因がある⟺ 説明変数と残差が従属 𝜆𝑖𝑘 𝑒𝑖 𝑥𝑖 𝑢𝑘 𝜆𝑗𝑘 𝑏𝑖𝑗 𝑥𝑗 𝒆𝒋 ◼𝑢𝑘 と𝑒𝑗 のどちらかが従属にする 𝑥𝑗 = 𝜆𝑗𝑘 𝑢𝑘 + 𝑒𝑗 𝑢𝑘 𝒆𝒋
20. 20 非線形へ ◼非線形加法 (Maeda+2023; Pham+2026) 𝑥𝑖 = ෍ 𝑓𝑖𝑗 (𝑥𝑗 ) + 𝑗: 𝑥𝑖 の親 ෍ 𝑔𝑖𝑘 (𝑢𝑘 ) + 𝑒𝑖 𝑘: 𝑥𝑖 の親 𝑥4 𝑥4 𝑥1 𝑥3 𝑥1 𝑥2 𝑥3 𝑥2 ◼Location-scale noise (Khan+2026) 𝑥𝑖 = ෍ 𝑗: 𝑝𝑎𝑟(𝑥𝑖 ) 𝑓𝑖𝑗 (𝑥𝑗 ) + ෍ 𝑗: 𝑝𝑎𝑟(𝑥𝑖 ) ℎ𝑖𝑗 (𝑥𝑗 ) ෍ 𝑘: 𝑝𝑎𝑟(𝑥𝑖 ) 𝑔𝑖𝑘 (𝑢𝑘 ) + ෍ 𝑗: 𝑝𝑎𝑟(𝑥𝑖 ) ℎ𝑖𝑗 (𝑥𝑗 ) ෍ 𝑘: 𝑝𝑎𝑟(𝑥𝑖 ) 𝑚𝑖𝑘 (𝑢𝑘 ) 𝑒𝑖
21. 21 未観測共通原因があっても向きを推定 ◼次の3つが識別可能 (Hoyer+2008) 𝜆21 𝑒2 𝑥2 𝑥1 1 = 𝑥2 𝑏21 𝑓1 𝜆21 𝜆11 𝑏21 𝑥1 𝑒 0 𝜆11 𝑒1 2 1 𝜆21 𝑓 1 𝑒1 𝑒2 𝑥2 𝑓1 𝜆21 𝜆11 𝑏12 𝑥1 1 𝑏12 = 𝑥2 0 1 𝑥1 𝑒 𝜆11 𝑒1 2 𝜆21 𝑓 1 𝑒1 𝑒2 𝑥2 𝑓1 𝜆11 𝑥1 𝑒1 𝑒 𝑥1 1 0 𝜆11 𝑒1 𝑥2 = 0 1 𝜆21 2 𝑓1 ◼多変数でも因果順序は識別可能 (Salehkaleybar+2020) ◼非線形でも他の変数との関係によっては一部識別可能 (Pham+2026)
22. 22 推定 ◼各候補を評価して一番良いものを選ぶ • 観測変数の条件付き独立性を満たすもの (検定) • 情報量基準 • 誤差変数の独立性を最小に ◼比較的最近のアプローチ • 非巡回性の制約を正則項に追加 (Zheng+2018; Bhattacharya+2021) • 連続最適化 • 識別性を考慮せずに使う論文がかなりあるので注意 • 複雑で大きなモデルで、意味が出る？
23. 23 適用
24. 24 どうやってたくさん使ってもらうか ◼Python package ◼商用ソフト (Causalas等) ◼典型例・利用論文 ◼科学・実務の共同研究
25. 因果探索の応用例: 予防医学 (Okuda+2026, arXiv) 25 ◼保健指導の健康アウトカムへの介入効果 ◼データの記録手順の情報を事前知識として因果探索 ◼ブートストラップによる統計的信頼性評価 保健指導 因果グラフ 健康アウトカム 介入効果のブートストラップ分布 服薬・生活習慣 性別・年齢
26. 26 因果探索の応用例: 材料科学 ◼機械学習による予測 + 因果探索 ◼なぜ予測に効くのか: 因果関係 or (因果でない)相関関係? • 因果経路 (メカニズム)・支配因子 記述子 材料特性 or 記述子 材料特性 共通原因 or 記述子 材料特性 ?
27. 因果探索の応用例: 異常検知だけでなく異常の原因も知りたい ◼機械学習による異常検知に加えて根本原因分析 ◼例: 異常指標に関する因果構造 (Fujiwara+2025) 根本原因 異常指標 27
28. 28 生成AI × 因果探索 ◼Causal parrots (Zečević+2023): オウム返し ◼LLMで背景知識を収集・データから因果推論 (Takayama+2025) 背景知識なし データが少ないと失敗 LLMによる背景知識あり リークのない (LLMが知らない) 健康診断データで評価
29. どの方法を使えばいいのか ◼基本: 仮定に合わせて使う ◼仮定のゆるい方法と仮定を追加した方法の結果を比較 • 仮定の頑健性の検討・判断の材料増 • 順次追加する場合は別のデータセットで • 事前知識はワークフローや“常識” など堅いもの ◼例えば • FCI (非線形・未観測共通原因・離散と連続の混在) (Spirtes+2001; Jiang+26) • PC (非線形・離散と連続の混在) • ABIC-LiNGAM (線形・未観測共通原因) (Morinishi+25) #混在版は開発中 • LiNGAM (線形・未観測共通原因なし) (Shimizu+11) #混在版はLiM (Zeng+22) 29
30. 30 展望
31. 将来展望:「自律」因果探索を中核とするAI for Science基盤へ ◼従来の課題 • “分析者の判断”とされる部分多い • 背景知識収集や仮定確認、それに基づく変数定義、どのデー タ・方法を使うか、前処理等の判断は分析者の判断 ◼自律因果探索 (Autonomous Causal Discovery) • AI for Scienceのサイクルに因果を • 分析者の判断を支援 • 因果構造＋変数定義という因果仮説を探索 ◼未来像：因果がわかるAIサイエンティスト 31
32. 因果推論の次の課題 ◼因果グラフだけでなく“変数定義”も必要 • 介入に適切な粒度を推定 • マクロとミクロの対応 / Causal abstraction • 圏論によるアプローチ (Otsuka & Saigo, 2025) ◼因果探索をアップグレード: 因果構造＋変数定義の探索 Chalupka et al. (2017) 32
33. 社会課題の未然防止をめざす予防統合科学 -病気から社会・環境問題まで、 人間・社会・環境に生じる望ましくない結果を未然に防ぐ◼さまざまな科学分野の知識を組み合わせ、 望ましくないことが起こる前に兆候を捉え、 何をどう変えれば防げるかを科学的に判断・実践し、 社会課題の予防に繋げる科学 ◼知の統合 2026/1 滋賀大学 • 社会課題の原因は複数の分野にまたがり、一つの分野だけでは捉えられない ◼方法の統合 • 予測だけでは防ぎ方が分からず、因果と制御を組み合わせて初めて予防可能 ◼プロセスの統合 • 科学的発見だけで終わらせず、実際の予防へつなげる 33
34. 滋賀大 先端因果推論特別研究チーム 自律因果探索を中核とするAI for Science基盤を構 築し、予防統合科学を実現 34 ◼チームリーダー 清水昌平 ◼〈 因果AIの基盤理論研究 〉12名 • 信頼されるＡＩと因果推論 • 生成ＡＩと因果推論 • 因果デジタルツイン • 因果推論と哲学 ◼〈 因果AIによる課題解決型研究 〉10名 • 因果推論と医学 • 因果推論と社会科学 • 因果推論と創薬科学 • 因果推論と材料科学 全学的かつ産官学のチーム構成
35. 35 おわりに ◼私のいまの研究構想 ◼自律因果探索を中核とするAI for Science基盤を構 築し、予防統合科学を実現する 1. 自律因果探索: 方法論・コア技術 2. AI for Science基盤: 構築する研究基盤 3. 予防統合科学: その基盤の上で実現したい新たな学術 領域