ネットワーク上の時系列データに対するスコアマッチングに基づく構造学習

要旨: 因果発見は、経験的データと背景知識から因果関係を確立するための重要な最初のステップである。この目的のために、多数のアルゴリズムが開発されてきた。その中でも、スコアマッチング法は、さまざまな評価指標において優れた性能を示しており、特に一般的に遭遇する加法的非線形因果モデル（Additive Nonlinear Causal Models）において顕著である。しかし、現在のスコアマッチングに基づくアルゴリズムは主として、独立同分布（i.i.d.）データの解析を対象として設計されている。さらに重要な点として、密な有向非巡回グラフ（DAG）を扱うために必要となる枝刈り（pruning）ステップのため、計算量が非常に大きいという問題がある。スコアマッチングのスケーラビリティを高めるために、DAGにおけるリーフノードのための新しい親探索サブルーチンを開発し、処理の中で最も時間を要する部分である枝刈りステップを大幅に高速化した。これにより、効率が向上したスコアマッチングアルゴリズムが得られた。これは、ネットワークスにおけるi.i.d.データと時系列データの双方を対象とした、親同定に基づく因果構造学習（Parent Identification-based Causal structure learning for both i.i.d. and temporal data on networKs）であり、PICKと呼ばれる。新しいスコアマッチングアルゴリズムは既存アルゴリズムの適用範囲を拡張し、ネットワークにおける弱い干渉（weak network interference）を伴うネットワーク上の静的データおよび時系列データを扱うことができる。提案アルゴリズムは、学術界と産業界の双方でよく見られる、空間的および時間的な依存関係を示す、ますます複雑化するデータセットにも効率的に対処できる。提案アルゴリズムは、実世界の応用において高い精度を維持しながら、スコアマッチングベースの手法を加速できる。