| 講演名 | 2016-07-06 教師あり学習に基づく2変量時系列の因果推論 近原 鷹一(NTT), 藤野 昭典(NTT), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 時系列の因果推論では，時間変化する複数の変量間に潜在する原因と結果の関係（因果関係）を明らかにする．本稿では，２変量時系列に対する因果推論の問題として，因果関係の方向($X rightarrow Y$もしくは$X leftarrow Y$)を推定する問題と，潜在交絡($X leftarrow C rightarrow Y$)を検出する問題の，２つの問題を考える．本研究では，既存の因果推論手法Random Causation Coefficient (RCC)を時系列に対して拡張することで，因果関係が既知の時系列データに基づいて因果関係が未知の２変量時系列データにおける変量間の因果関係を推定する，教師あり学習の枠組みを提案する．既存のモデルに依拠したアプローチでは因果関係を定義するモデルを事前に設定することが必要だが，この教師あり学習の枠組みにより，データから直接的に因果関係の定義を与えることができる．検証実験を通して，提案法が既存手法より高い精度で因果関係の方向を推定できることを示し，さらに潜在交絡を検出し得ることを示す． |
| 抄録(英) | Causal inference in time series is a problem to estimate the underlying causal relationship between time-dependent variables. In this report, we tackle two tasks relating to causal inference in bivariate time series; one is to estimate the causal direction ($X rightarrow Y$ or $X leftarrow Y$) and the other is to detect latent confounding ($X leftarrow C rightarrow Y$). By extending the Random Causation Coefficient (RCC) to time series, we propose a supervised learning framework for bivariate time series, which infers the causal relationship based on a set of time series with a known causal relationship. While the existing model-based approaches require the prior specification of the models representing the causal relationships, the supervised learning framework can give the definition of the causal relationships directly from data. We show experimentally that our proposed method achieves better causal inference accuracy than other existing methods and even can detect latent confounding. |
| キーワード(和) | 因果推論 / 時系列解析 / カーネル埋め込み |
| キーワード(英) | causal inference / time series analysis / kernel embedding |
| 資料番号 | IBISML2016-2 |
| 発行日 | 2016-06-28 (IBISML) |
| 研究会情報 | |
| 研究会 | NC / IPSJ-BIO / IBISML / IPSJ-MPS |
|---|---|
| 開催期間 | 2016/7/4(から3日開催) |
| 開催地（和） | 沖縄科学技術大学院大学 |
| 開催地（英） | Okinawa Institute of Science and Technology |
| テーマ（和） | 機械学習によるバイオデータマインニング、一般 |
| テーマ（英） | Machine Learning Approach to Biodata Mining, and General |
| 委員長氏名（和） | 佐藤 茂雄(東北大) / / 福水 健次(統計数理研) |
| 委員長氏名（英） | Shigeo Sato(Tohoku Univ.) / / Kenji Fukumizu(ISM) |
| 副委員長氏名（和） | 萩原 将文(慶大) / / 杉山 将(東大) / 鹿島 久嗣(京大) |
| 副委員長氏名（英） | Masafumi Hagiwara(Keio Univ.) / / Masashi Sugiyama(Univ. of Tokyo) / Hisashi Kashima(Kyoto Univ.) |
| 幹事氏名（和） | 田中 宏喜(京都産大) / 青西 亨(東工大) / / 津田 宏治(東大) / 竹内 一郎(名工大) |
| 幹事氏名（英） | Hiroki Tanaka(Kyoto Sangyo Univ.) / Toru Aonishi(Tokyo Inst. of Tech.) / / Koji Tsuda(Univ. of Tokyo) / Ichiro Takeuchi(Nagoya Inst. of Tech.) |
| 幹事補佐氏名（和） | 秋間 学尚(東北大) / 篠沢 佳久(慶大) / / 神嶌 敏弘(産総研) / 岩田 具治(NTT) |
| 幹事補佐氏名（英） | Hisanao Akima(Tohoku Univ.) / Yoshihisa Shinozawa(Keio Univ.) / / Toshihiro Kamishima(AIST) / Tomoharu Iwata(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Neurocomputing / Special Interest Group on Bioinformatics and Genomics / Technical Committee on Infomation-Based Induction Sciences and Machine Learning / Special Interest Group on Mathematical Modeling and Problem Solving |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 教師あり学習に基づく2変量時系列の因果推論 |
| サブタイトル（和） | |
| タイトル（英） | A Supervised Learning Approach to Causal Inference for Bivariate Time Series |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 因果推論 / causal inference |
| キーワード(2)（和/英） | 時系列解析 / time series analysis |
| キーワード(3)（和/英） | カーネル埋め込み / kernel embedding |
| 第 1 著者 氏名（和/英） | 近原 鷹一 / Yoichi Chikahara |
| 第 1 著者 所属（和/英） | 日本電信電話株式会社(略称：NTT) Nippon Telegraph and Telephone Corporation(略称：NTT) |
| 第 2 著者 氏名（和/英） | 藤野 昭典 / Akinori Fujino |
| 第 2 著者 所属（和/英） | 日本電信電話株式会社(略称：NTT) Nippon Telegraph and Telephone Corporation(略称：NTT) |
| 発表年月日 | 2016-07-06 |
| 資料番号 | IBISML2016-2 |
| 巻番号（vol） | vol.116 |
| 号番号（no） | IBISML-121 |
| ページ範囲 | pp.189-194(IBISML), |
| ページ数 | 6 |
| 発行日 | 2016-06-28 (IBISML) |