因果探索アルゴリズムSCOREへの事前知識の適応

抄録

工場内の製造設備で異常が発生した要因を発見するために因果探索技術を活用しようとした際に、正解となる因果関係の算出が困難な場合が多いです。そのような状況下で正解に近い因果関係を算出するために工場現場の保持しているドメイン情報を加味したモデルの作成が求められます。 LiNGAMは事前知識を入力できるモデルとして考えられますが、線形データが前提であり、線形・非線形混合データの多い工場現場での活用が難しい状況にありました。 一方、SCOREは線形・非線形どちらのデータでも入力可能な因果探索手法でありますが、事前知識を入力することが不可能でした。 よって今回、SCOREの因果探索部分と枝切り部分に「因果関係なし」、「因果関係あり」、「不明」のラベルを組み込むことで事前知識の入力を実現しました。 実データでの評価が難しかったため、トイデータの正解隣接行列に対して、ランダムにマスキングを行った5パターンを準備して事前知識を加味したSCOREを実行した結果、F値の増加と計算時間の削減を達成できました。 今後は工場現場での異常要因発見のためにこの技術を活用していきたいと考えています。