Causal-Audit：時系列因果発見における仮定違反のリスク評価のためのフレームワーク

arXiv cs.LG / 2026/4/6

📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research

共有:

要点

Causal-Auditは、重要な仮定（定常性、規則的サンプリング、時間的依存の有界性など）が破られる可能性がある場合に、時系列の因果発見に対するリスク評価のためのフレームワークを提案し、これらが破られたままでも自信に満ちた誤った因果グラフが導かれてしまう事態を防ぎます。
この手法は、5つの仮定ファミリ――定常性、非規則性、持続性、非線形性、交絡の代理変数――に対する較正済みの効果量診断を計算し、それらを不確実性区間付きで4つのリスクスコアに集約します。
エビデンスが信頼できる推論を裏付ける場合に限って、具体的な因果発見手法を推奨する一方で、裏付けがない場合は誤解を招く結果を避けるために棄権（abstain）することを提案する、棄権を考慮した意思決定ポリシーを含みます。
500のDGP（生成データ生成過程）からなる合成アトラスでの実験により、強い較正（AUROC > 0.95）、推奨されたデータセットにおける偽陽性の62%削減、重大な違反に対する78%の棄権が示されています。
このフレームワークの「推奨または棄権」の振る舞いは、21の外部評価（TimeGraphおよびCausalTime）で検証されており、オープンソース実装も提供されています。

Abstract

時系列の因果探索（causal discovery）手法は、定常性、規則的なサンプリング、時間的依存の有界性などの仮定に依存しています。これらの仮定が破られると、構造学習は、警告なしに確信的だが誤解を招く因果グラフを生成してしまう可能性があります。私たちは、仮定の妥当性確認をキャリブレーションされたリスク評価として形式化するフレームワーク「Causal-Audit」を提案します。このフレームワークは、5つの仮定ファミリー（定常性、非規則性、持続性、非線形性、交絡の代理指標）にわたって効果量の診断を計算し、それらを4つのキャリブレーションされたリスクスコア（不確実性区間付き）に集約します。そして、証拠が信頼できる推論を支持する場合に限って、手法（例: PCMCI+、VARベースのグレンジャー因果）を推奨する、棄権（abstention）を考慮した意思決定方針を適用します。半自動の診断段階は、個々の研究における構造化された仮定監査（assumption auditing）として、独立して使用することもできます。10種類の仮定違反ファミリーにまたがる500のデータ生成プロセス（DGP）からなる合成アトラスでの評価により、適切にキャリブレーションされたリスクスコア（AUROC > 0.95）、推奨されたデータセットにおける偽陽性の62%削減、深刻な違反ケースでの棄権率78%が示されました。TimeGraph（18カテゴリ）およびCausalTime（3ドメイン）からの21の外部評価において、推奨または棄権の意思決定は、すべてのケースでベンチマークの仕様と一貫していました。私たちのフレームワークのオープンソース実装が利用可能です。