AAAI-26に参加しました#2 ～本会議で「異種データ上での因果探索技術」と「超高速な非線形因果探索技術」について発表しました～

こんにちは．人工知能研究所の鈴木と金森です． 2026年1月20日から27日にシンガポールで開催された，AIに関する由緒ある国際学会”The 40th Annual AAAI Conference on Artificial Intelligence (AAAI-26)”において，富士通からは複数件の論文発表とワークショップ開催の形で参加しました．そこでAAAI-26に関する記事を連載形式でお届けします．

本記事では，本会議に採択された我々の研究成果である「異種データ上での因果探索技術」と「超高速な非線形因果探索技術」に関する研究論文についてご紹介します．次回の連載では、もう一件の採択論文の内容について解説します．

第１弾：AAAI-26に参加しました #1
- ワークショップ主催に関する報告（公開中）
第２弾：AAAI-26に参加しました #2
- 因果AI技術の論文発表に関する報告（今回の記事）
第３弾：AAAI-26に参加しました #3
- AI推論技術の論文発表に関する報告（3月16日予定）

因果AIに関する２件の論文が AAAI-26 本会議に採択！

富士通研究所では「因果AI技術を用いたデータドリブンな意思決定支援」に関する研究開発を行っており，現実世界の意思決定タスクへの適用（例えば，エンゲージメント調査データに基づいた従業員の生産性向上施策の発見）に取り組んでいます．今回の AAAI では，因果AIの重要なコア技術である「因果探索」に関する２件の研究論文が本会議に採択されました（採択率 17.6%）．

文献情報１
▶ タイトル: I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables
▶ 著者: Hirofumi Suzuki, Kentaro Kanamori, Takuya Takagi, Thong Pham, Takashi Nicholas Maeda, Shohei Shimizu
▶ 会議: 40th AAAI Conference on Artificial Intelligence (AAAI 2026)
▶ 参考）論文へのリンク (arXiv)

文献情報２
▶ タイトル: Sparse Additive Model Pruning for Order-Based Causal Structure Learning
▶ 著者: Kentaro Kanamori, Hirofumi Suzuki, Takuya Takagi
▶ 会議: 40th AAAI Conference on Artificial Intelligence (AAAI 2026)
▶ 参考）論文へのリンク (arXiv)

研究背景: 因果探索とは？

因果探索 [1] は，複数の変数を含む観測データ（データセット）から，変数どうしの因果関係を推定する技術です（図1）．たとえば「降水量・来客数・売上」の3変数からなるデータがあるとき，「降水量が増えると来客数が減る」（降水量 → 来客数）や「来客数が増えると売上が増える」（来客数 → 売上）といった関係が推論されます．推定された複数の因果関係を，原因から結果へ向かう矢印で表し，全体をグラフとしてまとめたものを 因果グラフ と呼びます．

因果グラフが得られると，ある変数に介入（外部から値を変更・固定する）した場合に，他の変数へどのような影響が波及しうるかを検討できます．たとえば，従業員の生産性と関連しそうな複数の指標に対して因果探索を行い，「どの要因に介入すれば生産性にどれだけ影響が見込めるか」を分析することで，生産性向上の施策立案など意思決定に活用できます．

我々が開発した「Fujitsu 因果AI」を支える基盤技術の一つが，この因果探索技術です．「因果AI」では，観測データから因果探索技術で推定した因果DAG（非巡回グラフ）を活用することで，データドリブンな意思決定支援を行っています．一方で，現実世界のデータは，複数の異種データセットに分散して存在することが多く，また，推定が難しい複雑な因果関係を持つことも多いことから，これらの課題に対応したより実用的な因果探索技術の研究開発が求められています．今回発表した研究論文では，これらの課題を解決するための新しい因果探索技術を提案し，数値実験によってその有効性を示しました．

参考
▶ Fujitsu Research Portal: データドリブンは可視化から因果へ
▶ 「Fujitsu 因果AI」のご紹介(全３回) #1 因果アクション最適化技術
▶ 「Fujitsu 因果AI」のご紹介(全３回) #2 知識誘導因果探索技術
▶ ECML-PKDD 2024 にて統計的因果探索の代表的モデル LiNGAM の高速な学習法 LayeredLiNGAM について発表しました

I-CAM-UV: Integrating Causal Graphs over Non-Identical Variable Sets Using Causal Additive Models with Unobserved Variables

ひとこと概要
本論文では，異なるデータセットにおける因果DAGの推定結果を統合することで，それぞれの推定結果と矛盾しない因果DAGの候補を列挙する新技術 I-CAM-UV を提案し，従来手法では見落とされてしまう異種データ間の因果関係を実用的な時間で発見できることを実証しました．

研究背景とモチベーション

実際のデータ分析の現場では，同じ業務課題を扱っていても，収集主体や計測設計の違いにより，利用可能な変数集合がデータセットごとに異なることがよくあります．例えば，A部門では人材データを，B部門では業務ログを収集しており，一部の変数だけが共通している，といった状況です．これらの異種データセットを統合して分析することで，単一データセットでは発見できなかった因果関係を見つけられる可能性があります．例えば，A部門の人材データからは「ワークライフバランスの向上が生産性に影響する」という関係が推定され，B部門の業務ログからは「生産性がプロジェクトの成功に影響する」という関係が推定されたとき，これらを統合することで「ワークライフバランスの向上がプロジェクトの成功に影響する」という新たな因果関係を発見できるかもしれません．

このような異種データセットを統合して因果探索を行うためには，まず各データセットに対して単一のデータセットを前提とする標準的な因果探索手法を適用し，得られた因果DAGを重ね合わせるという素朴なアプローチが考えられます．しかし，どのデータセットでも同時に観測されない変数ペアについては，直接の統計的検定や回帰で因果関係を推定することができません．したがって，単純な重ね合わせによるアプローチでは，同時に観測されない変数ペアの間の因果関係を発見することは原理的に不可能であり，異種データセットを統合することの大きなメリットを享受できないことになります（図２）．加えて，一部のデータセット上でのみ観測される変数は，観測されないデータセットにおいては未観測変数としてふるまうため，未観測変数が存在しないことを仮定する標準的な因果探索手法では推定精度が劣化する可能性もあります．

このような課題に対して，複数データを統合する既存研究として，部分祖先グラフ（PAG）と呼ばれる因果DAGの変種を推定する手法が存在します [2]．しかし，PAGは変数間の因果関係の方向が不明な辺を含むため，実務で使うには解釈に曖昧さが残るという課題があります．全ての辺の方向が特定された因果DAGを得るために，線形非ガウスに仮定を限定する既存手法もありますが，非線形性を含む実データに対しては推定精度が大きく劣化することが知られています [3]．これらの課題に対して本論文では，全ての因果関係の方向が特定された因果DAGを，非線形な関係も許容しつつ，実用的な時間で推定する新しい技術の開発を目指しました．

提案手法のコアアイデア

本論文では，各データセットにおける因果DAGの推定結果を統合して，すべてのデータセットの推定結果と矛盾しない因果DAGの候補を列挙する新技術 I-CAM-UV を提案しました．提案手法は，Maeda & Shimizu (2021) が提案した因果探索手法 CAM-UV [4] に基づいています．これは，未観測変数の存在を考慮した非線形な因果探索手法であり，単一データセットから識別可能な有向辺と，未同定となった変数ペアを推定する手法です．提案手法 I-CAM-UV のコアアイデアは，CAM-UV が出力する識別済み有向辺と，未観測因果経路（unobserved causal path, UCP） および 未観測バックドア経路（unobserved backdoor path, UBP） により未同定となった変数ペア情報を，因果DAG統合時の明示的な制約として利用する点です．これにより，単純な重ね合わせでは取りこぼされる因果関係も復元可能になり，異種データ環境における因果探索の実用性を大きく高めています．一方で，このような制約を満たす統合因果DAGの候補は複数存在する可能性があります．そこで本論文では，制約を満たす統合因果DAG候補を高速に列挙する効率よいアルゴリズムも提案しました．

複数データセットのうち $k$ 番目のデータセットにおける変数集合を $V_k$ ，統合後の変数集合を $\hat{V} = \bigcup_{k=1}^m V_k$ とし， $U_k := \hat{V} \setminus V_k$ をそのデータセットにおける未観測変数集合とします．各データセットに CAM-UV を適用すると，混合グラフ $G_k = (V_k, A_k, N_k)$ が得られます（ここで $A_k$ は識別済み有向辺， $N_k$ は未同定ペア）．このとき，重ね合わせ有向辺を $\hat{A} := \bigcup_{k=1}^m A_k$ とおくと，未同定候補は

$\displaystyle E_{\mathrm{imp}} := \left( \bigcup_{k=1}^m N_k \right) \setminus \{ \{ v_i, v_j \} \mid (v_i, v_j) \in \hat{A} \},\quad E_{\mathrm{uno}} := \{ \{ v_i, v_j \} \subseteq \hat{V} \mid \forall k,\{ v_i, v_j \} \not\subseteq V_k \}$

で定義されます．また，CAM-UV で未同定が生じる要因は UCP/UBP であり，UCP は $v_i \rightarrow \cdots \rightarrow v_h \rightarrow v_j$ （ $v_h \in U_k$ ）の形の未観測因果経路，UBP は $v_i \leftarrow v_x \leftarrow \cdots \leftarrow v_a \rightarrow \cdots \rightarrow v_y \rightarrow v_j$ （ $v_x, v_y \in U_k$ ）の形の未観測バックドア経路です（図３）．したがって未同定ペア $N_k$ は， $V_k$ 上では向きが未同定であるものの，その背景には UCP/UBP が存在する変数ペア集合として解釈できます．

I-CAM-UV はこの情報を各データセットの推定結果との整合性を評価するために活用します．まず $E := E_{\mathrm{imp}} \cup E_{\mathrm{uno}}$ と $I_k := \{ \{ v_i, v_j \} \subseteq V_k | \{ v_i, v_j \} \notin N_k \}$ を定義します．次に， $E$ の各ペア $\{v_i, v_j \}$ について，「辺 $v_i \rightarrow v_j$ を挿入」「辺 $v_j \rightarrow v_i$ を挿入」「辺を入れない」の3通りから1つを選び，その結果を集めた有向辺集合を $\tilde{A}$ とします．このとき統合候補は $\tilde{G} = (\hat{V}, \hat{A} \cup \tilde{A})$ です．さらに， $\mathrm{UP}_{G, V_k}(v_i, v_j)$ を $U_k = \hat{V} \setminus V_k$ のもとでの $G$ 上の $v_i, v_j$ 間の全 UCP/UBP 集合とおくと，整合性（consistency） は

$\displaystyle \forall k,\ \forall\{v_i,v_j\}\in I_k:\ \mathrm{UP}_{\tilde{G},V_k}(v_i,v_j)=\emptyset, \qquad \forall k,\ \forall\{v_i,v_j\}\in N_k:\ \mathrm{UP}_{\tilde{G},V_k}(v_i,v_j)\neq\emptyset$

で定義されます．理想条件（ $\hat{V}=V$ かつ CAM-UV 推定誤差なし）の下では真の因果 DAG がこの整合性を満たすことを理論的に示すことができます（Theorem 1）．しかし実際には，整合性を満たす因果 DAG は複数存在し得るため，真の因果 DAG を一意に特定することはできません．そこで本論文では，不整合性を定量的に評価する不整合コスト $C(\tilde{G})$ を定義し，その下界の単調性を用いた best-first 探索 で，候補を低コスト順に効率よく列挙するアルゴリズムを提案しました（図４）．

計算機実験の結果

実験では，10変数の非線形な因果関係を持つ人工データを100セット生成し，そこからデータセット数 $m \in \{ 2, 3 \}$ ，各データセットの未観測変数数 $|U| \in \{ 3, 4 \}$ の条件で問題インスタンスを作成して評価しました．比較対象は，標準的な因果探索手法の結果を単純に重ね合わせた PC-UV-OVL と CAM-UV-OVL，欠損補完を経由する Imputation，そして線形非ガウス前提の既存手法 CD-MiNi [3] を採用しました．

図５の実験結果より，提案手法 I-CAM-UV は観測ペア・非観測ペアの双方で再現率が高く，特に CAM-UV 単体では発見できなかった関係や，非同時観測ペアにまたがる因果関係の発見に強みを示しました．一方で，候補DAGを広く列挙する性質上，適合率は CAM-UV-OVL より低下する傾向があり，偽発見が増えるトレードオフも確認されました．ただし，F1 スコアは概ね同等であり，総合性能としてはバランスを保っています．計算時間についても，10変数程度の疎な設定では実用的な範囲で動作し，best-first 探索による効率化の有効性が示されました．以上の結果から，提案手法 I-CAM-UV により，従来手法では見落とされてしまう異種データ間の因果関係を，実用的な時間で復元可能になる ことが確認されました．