[1Yin-B] Poster 2

[1Yin-B-24] Accelerating Nonlinear Causal Discovery by Sparse Additive Models

〇Kanamori Kentaro¹, Hirofumi Suzuki¹, Takuya Takagi¹ (1. Artificial Intelligence Laboratory, Fujitsu Limited)

Keywords:

Statistical Causal Discovery,Sparse Additive Model,Variable Selection

統計的因果探索は，観測データから変数間の因果関係を推定する技術であり，データ駆動型の科学的発見や施策立案への応用が期待されている．変数間に非線形な因果関係を許容する非線形因果探索では，因果DAGにおける変数のトポロジカル順序を推定した後，因果関係のない変数間の辺を除去する順序推定型のアプローチが広く研究されている．これまでに様々な変数順序推定手法が提案されてきた一方で，冗長な辺を除去する枝刈り工程には，一般化加法モデルと仮説検定に基づく手法が標準的に用いられてきた．しかし，この手法は一般化加法モデルの学習を繰り返すため計算コストが高く，加えて多重検定に起因する推定精度の低下が課題となっている．本稿では，非線形因果探索の推定精度を維持しつつ高速化を実現するために，スパース加法モデルに基づく新しい枝刈り手法を提案する．提案手法は，ランダム木埋め込みと Group Lasso 回帰を組み合わせた効率良いアルゴリズムでスパース加法モデルを学習することにより，仮説検定を用いずに高速な枝刈りを可能とする．計算機実験により，既存手法と同等以上の推定精度を保ちながら，大幅な計算時間短縮を達成できることを確認した．