权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

未観測共通原因が存在する場合の巡回因果モデル推定法の研究と応用

存在不可观测共因时循环因果模型估计方法的研究与应用

基本信息

批准号：
20K11708
负责人：
清水昌平
金额：
$ 2.58万
依托单位：
Shiga University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

因果探索パッケージの開発因果探索とは、データから因果グラフを学習する方法論であり、LiNGAMは因果関係発見のためのモデルとしてよく知られている。LiNGAMに基づく因果関係発見のためのオープンソースのPythonパッケージを開発した。本パッケージは、統計的信頼性やモデルの仮定の評価に加え、時系列、複数グループ、混合データ、未観測共通原因がある場合などの様々な設定下で、LiNGAMに関する因果探索法を実装している。コードは、MITライセンスのもと、https://github.com/cdt15/lingam で自由に利用可能である。連続変数と離散変数が混在する場合の因果探索法観察データ、特に連続変数と離散変数の両方からなる混合データから因果関係を発見することは、基本的でありながら困難な問題である。従来の方法では、連続変数を離散化し離散変数を仮定する因果探索法を用いるなどしていたが、データ情報が失われる可能性がある。このような方法と比較して、混合データに対する制約に基づく方法やスコアに基づく方法は、データの特性から特定の条件付き独立性検定やスコア関数を導出するものである。しかし、これらは識別可能性が保証されていないため、マルコフ同値類を返すのみである。そこで、本研究では、連続変数と離散変数の構造的因果モデルに基づき、二変量および多変量の場合における識別可能性条件を考察した。さらに、混合データに対して因果構造を発見するための2段階ハイブリッド法を提案した。人工データと実世界のデータを用いた実験により、我々の提案するLiMモデルの識別可能性と有効性を検討した。

Causality exploration and development Causality exploration LiNGAM is the foundation for the development of causal relationships. This paper describes the implementation of the causal search method for statistical information, time series, complex data, mixed data, and common causes without detection.コードは、MITライセンスのもと、github.com/cdt15/lingamで自由に利用可能である。Causality exploration method for cases where continuous and discrete numbers are mixed, especially continuous and discrete numbers, mixed causal relationships, and basic problems. The method of causal search is used to discretize the number of continuous variables and to determine the probability of loss of information. This method is based on the comparison and analysis of the characteristics of the system, and the independence of the system. The probability of recognition is guaranteed. In this study, the causal factors of the structure of the discrete number are investigated in the case of the basic number, the binary number and the multiple number. The two-stage cause-and-effect structure is proposed in this paper. The possibility and effectiveness of identifying artificial objects in the world are discussed.

项目成果

期刊论文数量（27）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Estimating individual-level optimal causal interventions combining causal models and machine learning models

DOI：
发表时间：
2021
期刊：
影响因子：
0
作者：
Keisuke Kiritoshi;Tomonori Izumitani;Kazuki Koyama;Tomomi Okawachi;Keisuke Asahara;Shohei Shimizu
通讯作者：
Keisuke Kiritoshi;Tomonori Izumitani;Kazuki Koyama;Tomomi Okawachi;Keisuke Asahara;Shohei Shimizu

RCD: Repetitive causal discovery of linear non-Gaussian acyclic models with latent confounders