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。

因果搜索软件包的开发因果搜索是一种从数据学习因果图的方法，而lingam众所周知是因果关系发现的模型。我们已经开发了一个基于lingam的因果发现的开源Python软件包。除了评估统计可靠性和模型假设外，此软件包还在各种设置下（例如时间序列，多个组，混合数据和未观察到的常见原因）实现了lingam的因果搜索方法。该代码可在MIT许可证上免费获得，网址为https://github.com/cdt15/lingam。当连续变量和离散变量混合在一起时，从观察数据中发现因果关系，尤其是由连续和离散变量组成的混合数据，这是一个根本但困难的问题。在常规方法中，因果搜索方法已被用来离散连续变量并假设离散变量，但可能会丢失数据信息。与此类方法相比，基于混合数据和基于得分的方法的基于约束的方法从数据的特征中得出了特定的条件独立性测试和分数功能。但是，由于不能保证识别，因此他们仅返回马尔可夫等效类。因此，在这项研究中，我们根据连续和离散变量的结构因果模型检查了双变量和多变量病例中的可区分性条件。此外，提出了一种两阶段的混合方法来发现混合数据的因果结构。我们通过使用人工和现实世界数据的实验研究了我们提出的LIM模型的可区分性和有效性。

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