居住者の報告から都市イベントを再構成するためのマルチタスク反因果学習

本文: arXiv:2603.11546v1 アナウンス種別: 新規 概要: 多くの現実世界の機械学習タスクは反因果的である：観測された結果から潜在的な原因を推定する必要がある。実務では、複数の関連タスクに直面することが多く、前向きの因果機構の一部はタスク間で不変である一方、他の構成要素はタスク固有である。私たちは、跨タスクの不変性を明示的に活用することで結果と混乱因子から原因を推定するフレームワークであるMTACを提案する。MTACはまず因果発見を行い共有の因果グラフを学習し、次に結果生成プロセスを(i)タスク不変の機構と(ii)タスク固有の機構を、共有バックボーンとタスク固有のヘッドを介して分解する構造化されたマルチタスクSEMを構築する。学習済みの前向きモデルに基づき、MTACはMAP（最大事後確率）に基づく推論を実施して、学習済みの因果構造の下で潜在的メカニズム変数と因果量を同時に最適化して原因を再構成する。私たちは居住者の報告からの都市イベント再構成という応用でMTACを評価し、駐車違反・放置物件・不衛生状態の3つのタスクにまたがる。マンハッタンおよびニューアーク市で収集された現実世界データ上で、MTACは強力なベースラインに対して再構成精度を一貫して改善し、最大で34.61%のMAE削減を達成し、タスク間で転用可能な因果メカニズムを学習する利点を示している。