[論文レビュー] A Brief Introduction to Temporality and Causality

Kamran Karimi|arXiv (Cornell University)|Jul 14, 2010

Bayesian Modeling and Causal Inference参考文献 34被引用数 7

ひとこと要約

本稿は、哲学的・物理的・計算的視点から時間性と因果関係の基礎的概要を提示し、時間の因果的関係における役割に焦点を当てる。データ内の時間的および因果的構造を自動的に発見するための計算的手法を導入し、機械学習およびAIシステムにおける時間と因果関係の統合のための概念的枠組みを提供する。

ABSTRACT

Causality is a non-obvious concept that is often considered to be related to temporality. In this paper we present a number of past and present approaches to the definition of temporality and causality from philosophical, physical, and computational points of view. We note that time is an important ingredient in many relationships and phenomena. The topic is then divided into the two main areas of temporal discovery, which is concerned with finding relations that are stretched over time, and causal discovery, where a claim is made as to the causal influence of certain events on others. We present a number of computational tools used for attempting to automatically discover temporal and causal relations in data.

研究の動機と目的

• 時間性と因果関係の概念的関係を明確化すること。これらは科学的および計算的文脈においてしばしば混同されるが、本質的に異なる。
• 哲学、物理学、コンピュータサイエンスの分野において、時間と因果関係を定義する歴史的および現代的なアプローチを特定し、分析すること。
• 時間的発見（時間的に広がった関係を特定すること）と因果的発見（原因・結果の関係を推論すること）を、それぞれの研究分野として明確に区別すること。
• データ内の時間的および因果的パターンを自動的に検出するための計算ツールおよびアルゴリズムを提示すること。
• 機械学習および人工知能の応用における時間と因果関係の統合の基盤を確立すること。

提案手法

• 時間と因果関係の哲学的および物理的理論を調査し、概念的枠組みを構築すること。
• 構造的・確率的・干渉主義的モデルに分類して因果関係のアプローチを整理し、時間的先行性を必要条件として強調すること。
• 時間的発見技術（例：シーケンスマイニング、時系列解析、データストリームにおけるイベントパターン検出）を紹介すること。
• 制約ベースのアルゴリズム（例：PCアルゴリズム）、スコアベースの手法、およびdo記法による因果推論を提示すること。
• 観測データにおける因果モデリングの前提として、時間的順序の統合が不可欠であることを強調すること。
• ベイジアンネットワーク、動的ベイジアンネットワーク、構造方程式モデルなどの計算ツールを用いて、時間依存の因果的関係をモデル化する方法を示すこと。

実験結果

リサーチクエスチョン

• RQ1 哲学的および物理的時間と因果関係の概念は、計算モデリングのアプローチにどのように影響を与えるか？
• RQ2 データ分析において、時間的発見と因果的発見の違いは何か？
• RQ3 時間的に広がった関係および原因・結果の関係を自動的に同定するための計算技術は何か？
• RQ4 時間的先行性は、因果推論システムにおいて形式的にどのように表現され、活用されるか？
• RQ5 時間順序データにおける因果関係を発見するための既存のアルゴリズムの制限および仮定は何か？

主な発見

• 時間は因果関係における基本的だが、単純ではない要因であり、時間的先行性は因果推論の必要条件ではあるが十分条件ではない。
• 時間的発見は、繰り返し現れるシーケンスやトレンドなどの、時間の経過とともに現れるパターンや依存関係を特定することに焦点を当てる。
• 因果的発見は、通常、干渉や条件付き独立性の検定を要する、イベント間の方向的影響を推論することを目的としている。
• ベイジアンネットワークや構造方程式モデルなどの計算ツールは、時間依存の因果的関係をモデル化するのに有効である。
• 因果モデルに時間的順序を統合することは、因果推論の正確性および解釈可能性を著しく向上させる。
• 進展は見られるが、実世界の時間的および因果的発見タスクにおいて、潜在的交絡要因、観測されない変数、データのスパarsity（疎らさ）に対処する課題は依然として残っている。