【因果を利用した分析】ベイジアンネットワークで見る変数の因果関係【いろんな分析 vol. 5 】

[@user-dh9xf9qj6d]

…。？？？ ~~~~~~~~~~~~~~~~~~~~~~ ＜芝は濡れているか？＞： 　7:50　>「スプリンクラーの動作確率：雲有り⇒90%、雲無し⇒10%」 →　確率が逆？（これだと晴れの日に芝が干からびてしまいそう…。） 　9:30　>「P(空, ス, 雨, 芝) = P(芝｜ス, 雨) P(雨｜空) P(ス｜雨) P(空)」 →　右辺の第3因数は正しくは　P(ス｜空)？ ＜因果構造の分析＞： 　14:11　>「X3の確率は１と３だけで決まる」 →　X3の確率は１だけで決まる？

[@AIcia_Solid]

ご指摘ありがとうございます！！！😭😭😭 1つめと2つめはその通りです！ 3つめに関しては、言葉を補うと 「X_3 の確率分布は x_1 と x_3 で決まる」 なので、こちらは前のままで大丈夫です！

[@cast9864]

過去へのコメントですみません。要点を抑えた的確かつコンパクトな説明と，概要欄に参考文献が記載されていることが本当にありがたいです。

[@AIcia_Solid]

ご視聴コメントありがとうございます！🤩🎉🎉🎉 いつのコメントでも大歓迎です！🎉 お役に立てて光栄です！(^o^)/ これからも良き動画を生成できるよう精進しますので、応援いただけると嬉しいです！🤩 よろしくお願いします！🔥

[@KK-rl5bs]

めちゃくちゃ分かりやすいです。ありがとうございます。

[@AIcia_Solid]

でっしょー！(^o^)

[@Dr.Ks_Labo]

今回もわかりやすい解説を楽しく拝聴させていただきました。 ちなみに、グラフィカルモデリングのユーザー界隈では、今回の動画のあたりまでは「有向のGM」「グラフィカル連鎖モデリング」などサブカテゴリーを表す名称とともに、グラフィカルモデリングの範疇に含めて理解されている場合が多いようです。

[@AIcia_Solid]

ご視聴コメントありがとうございます！😍 そうなんですね！お教えいただきありがとうございます！ グラフィカルモデリングのユーザー界隈、、、お友だちになりたいですね😍😍😍

[@AIAI-ji2wp]

こんばんは！わかりやすかったです☺️ ベイズ は広めていきたいですね！ ニューラルネットワークもいつまで流行るかわかりませんよね。。

[@AIcia_Solid]

ありがとうございます！😍😍 私はベイズ大好きさんなので、頑張って広めていきます😎✌️

[@alph4966]

わかりやすかったです

[@AIcia_Solid]

ご視聴コメントありがとうございます！ それはよかった！ ぜひこの理解をご活用くださいませ😊

[@irie3412]

今回のベイジアンネットワークの解説、とてもわかりやすかったです。最後のほうの「やってみた」について、個人的な意見ですが、(おもに時間が長い)live配信の強みとして、視聴者と主のやり取りなどもあって、コメントや高評価が増えて、再生数も伸びるような気がします。どうでしょう。

[@AIcia_Solid]

ご視聴コメントありがとうございます！😍🎉 鋭いですね😎😎 ただ、今回は、生配信は除いて分析しています！ 生配信は生配信で分析したらまた楽しそうですね😍🎉

[@kenjik8588]

ありがとうございます！

[@AIcia_Solid]

どういたしまして！(^o^)

[@AIcia_Solid]

すみません！！！🙇‍♀️🙇‍♀️🙇‍♀️ いま、このコメントが Super Thanks であることに気づきました！🙇‍♀️🙇‍♀️🙇‍♀️🙇‍♀️🙇‍♀️ ご支援いただきありがとうございます！😍 とても嬉しいです！ 今後も良き動画を生成していきますので、応援していただけると嬉しいです！ よろしくお願いします！🎉

[@mitsuyoshihamatani8263]

とても分かりやすい説明で、この動画のおかげでかなり理解できました。 書籍などでは理解できなかったので、助かりました。どうもありがとうございます。 Github上のJupyter notebookも拝見しました。 質問が1点あるのですが、可能であれば教えていただければ幸いです。 グラフィカルモデリング(前回の動画)では、偏相関が最小になるものを一つずつ消していきましたが、ベイジアンネットワークの場合は、因果関係の矢印があるところ以外で偏相関が最小になるものから消していくのでしょうか？ それとも、そのような制約はとくに気にしなくてよいでしょうか（何も考えず因果関係の矢印が無いところを消していけばよいのでしょうか）。

[@AIcia_Solid]

ご視聴コメントありがとうございます😍 そう言っていただけると動画を生成した甲斐がありました！🎉 今回の動画では、ベイジアンネットワークでも、連鎖独立グラフというものの推定を行っています。 これは、因果の上流から順番に辺や矢印の有無の検討を行います。 この際、「因果の下流と関係ある部分で、偏相関最小のものを消す」という操作を行います。 一言では表しづらいのですが、参考文献に詳しくあります。 もしよければそちらも参考にしていただければと思います！

[@mitsuyoshihamatani8263]

@@AIcia_Solid 丁寧にご回答いただきありがとうございます。 参考文献の『グラフィカルモデリング』をさっそく購入しました。 「連鎖独立グラフ」をキーワードに学んでみます。 どうもありがとうございました。

[@AIcia_Solid]

おおー！ 応援してます！ わからないことがあれば聞いてください(^o^)

[@yuto264]

めちゃくちゃ分かりやすいし、結構本格的だった。 時間と再生数に関しては、題材の需要とか関係ないですかね？

[@AIcia_Solid]

ご視聴コメントありがとうございます！😍🎉🎉 題材の需要、めちゃくちゃ関係あると思います😎 数値で分析できない部分が、題材の影響かもですね、、、😎😎😎

[@keijill7672]

何度もすみません。べイジアンネットワークでは因果の方向はわからない。 とのことですが、pearl流の因果推論を勉強しているとPCアルゴリズム、MMHCやオリエンテーションルールを使うと、当てはまりの良さ＝因果の方向性がわかるのかと理解したのですが、私の理解が間違っているのでしょうか？お手すきにご教示いただけますと幸いです。

[@AIcia_Solid]

すみません、 Pearl 流の因果推論には詳しくないので、あまりわかりません。 おそらく、「因果」の定義によるのだと思います。 Rodin の操作なくして因果なしという考えであれば、モデルの適合度は、ただ、適合の度合いであって、因果ととらえるのはどうなのか、も思ったりします。 ここら辺は今まさに勉強中なので、ご意見あればお教えいただけると嬉しいです。

[@keijill7672]

@@AIcia_Solid お返事ありがとうございます。私も勉強中なのであまりわかっていません・・・もう少し勉強してみます！

[@user-vq5cz2kz8t]

因果の向きの組み合わせを全て洗い出してそれら全ての因果の強さをベイジアンネットワークで評価すれば、因果の向きを特定する事は理論上可能なんでしょうか？ イエスだったら、力技ですが量子コンピュータにぶん投げたらやってくれないかなと

[@AIcia_Solid]

ご視聴コメントありがとうございます！ 「因果」の意味するものによりますが、基本的には、普通に想定する因果の意味で考えると厳しいかと思います。 「ベイジアンネットワークの意味で最も妥当性が高いモデルがこれ」と主張するにとどめるのが、結果の良い解釈だと思います。 「X を増やしたら Y も増える」的な因果を探索するなら、データ取得時点からの工夫が必須（RCT など）なのですが、 ベイジアンネットワークは、得られたデータの相関から事後的にモデル構造を探索するものなので、やや弱い意味の因果にとどまると思います。 とはいえ、RCT などの実験が不可能な分野では、ベイジアンネットワークやそれに類するデータ・分析で因果を判定することもあると思うので、 そういう話になれば、分野の慣習（とその分野で通例的に用いられる「因果」の意味）次第かと思います！

[@user-vq5cz2kz8t]

@@AIcia_Solid ご返信ありがとうございます。すみません、言葉の定義が曖昧でした。 因果を「RCT等されていないデータ同士の相関に対し、ベイジアンネットワークの事後的な評価が最も高いモデル」とすることにします。 評価が最も高いモデルを特定するには、全てのモデルのパターンを最初に洗い出して、それらに対し地道に評価値をつけていく作業になり、これが大変かと思います。（変数が3つだけでも27通り） そこで、「組み合わせ最適」の鬼である量子コンピュータにこの処理をぶん投げればいいのではと思い、ご質問しました。

[@AIcia_Solid]

なるほど！ そういうことですね！ 調べてみたところ、いくつか研究がありそうです👀 Quantum Approximate Optimization Algorithm for Bayesian network structure learning arxiv.org/abs/2203.02400 これや関連する論文などを見てみると良いかもしれません！ （私は中身までは見てないので、外れていたらすみません🙇‍♀️🙇‍♀️🙇‍♀️）

[@user-vq5cz2kz8t]

​@@AIcia_Solid Chatgpt先生に手伝ってもらいながら読みました。 論文では、同一条件下(スペックと計算時間)で量子アルゴリズムと古典的アルゴリズム両者にモデル評価させたところ量子アルゴリズムの方が良かった、ただしデータセット数が増えるとその差は収束するというものでした。 ただここで言うデータセットとはデータのパターン数でありノード数ではないようです。パターン数固定でノード数を増やしたら量子の方がより有利になると想像しますが、残念ながらその実験は行われていませんでした。(そこが知りたかったんだけど)

[@AIcia_Solid]

なるほど！ そういう感じなのですね👀 お教えいただきありがとうございます！ 私も同じように「そこが知りたいんだよな〜」とは感じました👀 続く研究に期待ですね！

[@hm-od4pw]

SEM待ってます！

[@AIcia_Solid]

じきに出ます！😍🎉🎉🎉 少々お待ちを😍

[@user-zk3rr7pk3p]

一年前の動画に今更質問ですが、、条件付き独立を仮定する際、グラフィカルモデリングは基本的に偏相関は小さいものからだったと思います。今回、ベイジアンネットワークでは下流のものから仮定して行く、という流れになるのでしょうか。

[@AIcia_Solid]

よい質問ですね！🎉 ベイジアンネットワークの場合も、変相関が小さいものからみるのが一般的です。 基本的な場合では、特に因果の上流下流で区別することはありません(^o^)

[@user-zk3rr7pk3p]

@@AIcia_Solid 早速ありがとうございます！！ 今回、上流の判定の際には下流のデータは使用しない、ということでしたが、その場合はどのようなプロセスになるのでしょうか？（判定を行う対は全体の行列から選択して、判定自体は上流のデータのみを使用する？のでしょうか） GitHub も拝見したのですが、この辺り理解できず、、すみません

[@AIcia_Solid]

すみません、勘違いしたままお答えしていました🙇‍♂️🙇‍♂️🙇‍♂️ 全部で4変数あり、 1 → 2 → 3 → 4 という因果の向きの時を例にすると、 まず、1, 2のみに対して有意な相関があるかを判定します。 次に、1, 2, 3のみに対して有意な相関があるかを判定します。 このとき、1, 2 の間の相関の有無は前のステップのものを引き継いで、 1→3 と 2→3 の優位性のみを判定します。 このグラフに次は変数4を足して、1～3の相関の有無は引き継ぎ、1→4、2→4、3→4のみ判定します。 こんな感じでやります！ 詳細は、概要欄にある本が詳しいです！

[@user-zk3rr7pk3p]

@@AIcia_Solid ありがとうございます 流れはとても良く理解できました。 これからも拝見させて頂きます！

[@AIcia_Solid]

それはよかったです！ ぜひぜひ、お楽しみに！！🎉

[@user-qf5vd1rw5s]

今回は条件付き確立の値が回帰係数みたいな存在になっているという感じでしょうか...？ またモデルは自分で決めなければならないとのことでしたが、それを精度を事後評価する方法を具体的に知りたいです...！

[@AIcia_Solid]

偏相関でしょうか？ それは回帰係数みたいな意味の値になりますが、若干ずれますので、微妙なところです。 モデルの評価は、基本的には、逸脱度という指標が用いられるかと思います。 こちらの文献に詳しいので、是非参考にしてみてください！ amzn.to/2WD8C47

[@178phantom]

とっても勉強になりました！ちなみにベイジアンネットワークと因果ダイアグラムは同じことを指していますか？

[@AIcia_Solid]

ご視聴コメントありがとうございます！🎉🎉 おそらく別物かと思います。 いろんな用語の定義や流儀がありますが、因果ダイアグラムのほうが広い概念で、そのひとつの定式化がベイジアンネットワークと理解するのが標準的かと思います！ （因果ダイアグラムは図ですからね。対して、ベイジアンネットワークは、数学の概念ですし👀）

[@178phantom]

@@AIcia_Solidご丁寧な ご返信ありがとうございます😊 とても嬉しいです！理解しました😊

[@AIcia_Solid]

それは良かったです！(^o^) これからも価値ある動画を生成できますよう頑張りますので、応援いただけると嬉しいです🔥 よろしくお願いします！💪

[@toc15h32]

因果の大きさは偏相関係数とイコールなのでしょうか？

[@AIcia_Solid]

ご視聴コメントありがとうございます！ 超難しい質問ですね、、、！ 一概にはお答えできないので、統計的因果推論をいちど勉強されるのがいいのではないかと思います。 「因果の大きさ」の定義にかなり色んな種類があり、場面によって良い定義が異なるので、場面によっては yes ですが、場面によっては No となると思います。

[@toshiyama7887]

とても勉強になります！ 因果の向きを推定するような手法はないのでしょうか、、？

[@AIcia_Solid]

実はあります！ 最近読んでいたこの本の末尾にありました！🎉 が、結構仮定は強めなので、数学のみでやるのは依然大変な気がします💦 （そしてまぁまぁ重い本です） Amazon → t.co/PvjBU7Pze6

[@toshiyama7887]

AIcia Solid Project ありがとうございます、購入しました！

[@AIcia_Solid]

おお！ なかなか大変だと思いますが、頑張ってください🔥

[@keijill7672]

べイジアンネットワークでは因果の方向はわからない。 とのことですが、因果の方向を知りたい場合はどうすればよいのでしょうか？

[@AIcia_Solid]

その場合は、「因果推論」という分野の一連の手法の中で、適当なものを選択して利用するのがよいと思います😎 そのうち動画にする予定です😋

[@keijill7672]

@@AIcia_Solid ありがとうございます。 因果推論とは別に構造学習も使えそうでしょうか？pythonでは CausalNex というライブラリが使えそうですが。。。

[@AIcia_Solid]

わたしは使ったことがないので分かりません。 CausalNex がやっていることと、一般に「構造学習」と呼ばれるものは、同じなのでしょうか、、？ 調べた限り、 CausalNex はベイズ系の因果推論のライブラリで、構造学習は、出力が構造を持つ場合の機械学習のように思います。 なんにしても、因果が関わることをやるときは、ドメイン知識をもとに、適切な統計手法を選択することが必要なので、一概には言えません。 （だからまだ AI に代替されず、人間が活躍できる分野なのです！） 実際に利用する際は、いろいろ調べたり、その道の人に相談するなどして、検討してみるとよいかと思います！

[@keijill7672]

@@AIcia_Solid 構造学習を行うライブラリの１つにCausalNexがあるという理解です。丁寧に回答いただきありがとうございました！これからも勉強していきます！

[@user-br5kr2un2t]

贝叶斯网络中的因果推断

[@AIcia_Solid]

谢谢你的观看评论。 没错！ 希望你能理解日语的解释。 希望你喜欢! (translation by DeepL) ご視聴コメントありがとうございます。 その通りです！ 日本語での説明でしたが、ご理解いただけましたでしょうか？ お楽しみいただけていれば嬉しいです！