ローカルからクラスタへ：潜在変数付き因果発見の統一フレームワーク

要旨: 潜在変数は、因果発見および推論に対する根本的な課題をもたらします。従来の局所的手法は直接の近傍に焦点を当てますが、大局的な洞察を提供できません。クラスター（集約）レベルの手法は大局的な因果推論を可能にしますが、いずれも、クラスターが事前に既知であると仮定するか、因果十分性（causal sufficiency）を必要とします。さらに、単一変数の因果発見手法をクラスター・レベルの問題にそのまま適用すると、因果十分性が破られるため誤った結果につながります。これらの制限を克服するため、本論文では、局所構造学習とクラスター・レベルの因果発見を橋渡しする統一フレームワーク L2C（Local to Cluster Causal Abstraction）を提案します。先行研究が、マイクロ変数をクラスターへ完全に手動割り当てすることを要求するのに対し、L2C は局所的な因果パターンからパーティション（分割）を自動的に発見します。提案手法は、クラスターを因果情報の損失なしに最大3ノードに還元するクラスター還元定理を活用し、潜在変数が存在する場合に、局所的な因果発見を適用して直接原因・直接結果および V 構造を特定し、学習したクラスターグラフに対してクラスター・レベルの計算（calculus）により大局的な因果推論を行います。L2C は因果十分性を仮定しません。潜在変数は局所発見によって扱われるためです。理論的解析により、L2C が健全性（soundness）、原子的完全性（atomic completeness）、および計算効率を保証することが示されます。合成データおよび実世界データに対する大規模な実験により、L2C が真のクラスターを正確に復元し、既存のベースラインと比べて大局的な因果効果の同定で優れた性能を達成することが示されます。