Research

因果方向を分位面の低ランク構造で識別する新手法「LRQS」——ロケーション・スケール仮定を超えた非パラメトリック因果発見

2026/10/25

背景：観測データから因果方向を推定する難しさ

観測データのみから原因と結果の方向を特定することは、因果推論における根本的な課題だ。古典的なアプローチでは、加法的ノイズモデル（ANM）、後非線形モデル（PNL）、ロケーション・スケールノイズモデル（LSNM）といった構造的制約を課すことで、因果方向の「非対称性」を利用してきた。しかしこれらのモデルは、条件付き分布の変化を位置（平均）やスケール（分散）の変化に限定しており、歪度・尖度・裾の形状といったより高次の分布変化を捉えきれないという限界があった。

滋賀大学および大阪大学、RIKEN AIPの研究者らによる論文「Causal Discovery via Transformed Low-Rank Quantile Surfaces」は、この限界を克服する新しい二変量因果モデル Low-Rank Quantile Surfaces（LRQS） を提案している。

LRQSの核心：変換後の低ランク構造

LRQSの基本的なアイデアは、条件付き分位面にある未知の単調変換を施した後に低ランクの関数分解が成立するという仮定にある。

形式的には、因果方向において次のような生成モデルを想定する。

Y = g( a(X) + Σ_k b_k(X) q_k(U) )

ここで U は [0,1] 上の一様乱数、g は未知の単調増加関数、{q_k} は未知の分位基底関数群、a(x) はシフト関数、b_k(x) は係数関数である。逆関数 h = g^{-1} を用いると、変換後の条件付き分位面

h( Q_{Y|X=x}(u) ) = a(x) + Σ_k b_k(x) q_k(u)

が低ランク構造を持つことになる。

ランク数 K=1 の場合は後非線形不均一分散ノイズモデル（PNL-HNM）に帰着し、K を増やすことで歪度や裾の振る舞いといった、ロケーション・スケール効果を超えた条件付き分布の形状変化を表現できる。著者らは、観測される分位面そのものはランクが有限でなくてよく、変換後に初めて低ランク構造が現れるという点が本モデルの重要な特徴だと説明している。

理論的識別可能性の証明

LRQSの理論的な核心は一般的識別可能性（generic identifiability）の証明にある。著者らは次の二つの定理を示している。

定理1（固定された逆向き分位基底の場合）： 逆向き分位基底 {q̃_k} を事前に固定したとき、逆方向のLRQSクラスに適合する原因の対数密度は、高々 2L+3 個の実数パラメータで記述される有限次元族に局所的に属する。すなわち、逆方向でも同じ構造が成立するような原因周辺分布は「例外的」な微調整を要する特殊なものに限られる。

定理2（自由な逆向き基底、L=1 の場合）： 逆向きの分位基底が固定されていない場合でも、L=1 に対応する逆方向モデルと整合する原因密度は、局所的に有限次元の制約を満たす必要がある。

いずれの結果も、逆方向の単調変換は制約を受けない設定で成立する。著者らは、これが未知変換を持つ非退化な二変量PNL-HNMクラスに対する、知る限り最初の一般的識別可能性結果であると述べている。

アルゴリズム：交互最適化による実装

理論を実用的な因果探索スコアに落とし込むため、著者らは以下の非パラメトリック手順を提案している。

両方向（X→Y、Y→X）の条件付き分位面を離散化して分位行列として推定する
ランク制約付き近似 と 等張推定（isotonic estimation）による未知単調変換の推定 を交互に繰り返してLRQS構造に当てはめる
再構成誤差が小さい方向を因果方向として選択する

この交互最適化は、観測された分位面にランクが成立しない場合でも、変換後の低ランク構造を効率的に探索できるように設計されている。

実験結果

論文では、合成データおよび標準的な二変量ベンチマークデータセットを用いた実験が報告されている。著者らによると、LRQSは特に次の状況で効果的だとされている。

高ランクの分布形状変化を伴うメカニズム：LSNMやPNLなど既存手法が前提とするロケーション・スケール構造を超えた場合
強い非線形歪みが存在するデータ：観測変数に非線形変換が加わっている場合

一方で、既存手法が得意とする標準的なベンチマークでも競争力のある性能を維持していると報告されている。

位置づけと関連研究

LRQSは、分位偏効果（QPE）フレームワーク（Chen et al., 2026）と概念的に近いが、以下の点で異なる。QPEが条件付き分位面の傾き（x に関する微分）に固定済みの基底関数による有限スパンを仮定するのに対し、LRQSは分位面そのものの変換後の低ランク構造を仮定し、分位基底と単調変換の両方をデータから学習する。これにより、PNLやPNL-HNMのような未知変換を持つモデルがQPEの任意の固定基底では表現できない状況にも対応できる。

コードはGitHub（https://github.com/Pham-Lab/lrqs）で公開されている。

まとめ

LRQSは、条件付き分布の形状変化という、これまでの因果発見手法が十分に扱えなかった側面に正面から取り組む新しい枠組みだ。理論的な識別可能性の保証と実用的な非パラメトリックアルゴリズムを組み合わせた本研究は、観測データからの因果推論の表現力を大きく広げる可能性を示している。

出典: Causal Discovery via Transformed Low-Rank Quantile Surfaces