01 / UNDERSTAND
仕組みと使いどころ
SCMは、因果グラフと各変数を生み出す仕組みを明示し、変数同士がどのように影響するかを表します。介入後の分布の生成、反実仮想の推定、因果効果の分析、異常の原因候補の特定などに利用されます。ただし、表現力の高いニューラルネットワークを用いても、観測データだけから介入効果を常に特定できるわけではありません。また、循環を含むSCMでは、解が存在しない、または観測・介入・反実仮想の分布が一意に定まらない場合があります。
02 / IN PRACTICE
Structural Causal Modelの活用例
たとえば、こんな場面で
例えば、XがYに影響し、YがZに影響するというSCMを設定し、Yを特定の値に変更した場合のZを生成する用途が考えられます。また、Zの異常に対する各変数の寄与を調べる分析にも利用できます。
03 / GOOD TO KNOW
使うときのポイント
利用時は、因果グラフと各変数の生成機構が妥当か、目的の因果効果をデータから識別できるかを確認します。循環を扱う場合は、解の存在と一意性に関する条件にも注意が必要です。
参考資料
The Causal-Neural Connection: Expressiveness, Learnability, and Inference （新しいタブで開きます）Foundations of Structural Causal Models with Cycles and Latent Variables （新しいタブで開きます）GitHub - py-why/dowhy: DoWhy is a Python library for causal inference that supports explicit modeling and testing of causal assumptions. DoWhy is based on a unified language for causal inference, comb （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。