部分的に機能する動的バックドア拡散ベース因果モデル

概要: 空間時系列の設定における因果推論は、複雑な空間時系列ダイナミクスをもつ未測定の交絡因子と、多解像度データの普及によって、致命的に阻害されています。拡散モデルは構造因果モデルの推定に有望な道筋を示していますが、既存のアプローチは因果十分性または静的な交絡に関する仮定によって制約されており、現実世界の潜在変数の領域固有で時間依存的な性質を捉えられない、あるいは機能変数（functional variables）を直接扱えない、という問題があります。我々は、このギャップを埋めるために、部分的機能動的バックスドア拡散に基づく因果モデル（Partially Functional Dynamic Backdoor Diffusion-based Causal Model, PFD-BDCM）を導入します。これは、動的交絡と機能データを伴う因果推論を同時に扱うことを目的とした統一的な生成フレームワークです。本手法は、新規の構造因果モデルを形式化し、条件付き自己回帰過程によって潜在交絡因子における空間時系列の依存関係を捉えます。また、基底展開係数を標準的なグラフノードとして扱うことで機能変数を表現し、さらに、有効なバックスドア調整を拡散ベースの生成過程に統合します。基底展開のもとで因果効果が保存されることに関する理論的保証を提示し、反実仮想推定の誤差境界を導出します。合成データおよび現実の大気汚染に関するケーススタディに対する実験により、PFD-BDCMが観測、介入、反実仮想の各クエリにおいて既存手法を上回ることを示します。本研究は、非定常性と多解像度データによって特徴づけられる複雑な空間時系列システムに対する、頑健な因果推論のための厳密かつ実用的なツールを提供します。