知財求人 - 知財ポータルサイト「IP Force」
特開2022-154457因果推論モデル構築プログラム、因果推論モデル構築方法および情報処理装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022154457
(43)【公開日】2022-10-13
(54)【発明の名称】因果推論モデル構築プログラム、因果推論モデル構築方法および情報処理装置
(51)【国際特許分類】
G06N 7/00 20060101AFI20221005BHJP
【ＦＩ】
G06N7/00 150
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2021057508
(22)【出願日】2021-03-30
(71)【出願人】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】重住 淳一
(72)【発明者】
【氏名】瀬川 英吾
(57)【要約】
【課題】より説明性や安定性の高いモデルを構築すること。
【解決手段】情報処理装置は、因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、ノード間の既知の因果関係を持つ組のデータを取得する。情報処理装置は、ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、既知の因果関係を持つ組に対して、制約を設けないという制約リストに基づいて、因果推論モデルの構造を構築する。
【選択図】図４
【解決手段】情報処理装置は、因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、ノード間の既知の因果関係を持つ組のデータを取得する。情報処理装置は、ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、既知の因果関係を持つ組に対して、制約を設けないという制約リストに基づいて、因果推論モデルの構造を構築する。
【選択図】図４
【特許請求の範囲】
【請求項1】
コンピュータに、
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行させることを特徴とする因果推論モデル構築プログラム。
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行させることを特徴とする因果推論モデル構築プログラム。
【請求項2】
前記因果推論モデルに含まれるノードの組のうち、第１ノードが原因で、第２ノードが結果となる既知の因果関係が前記データに含まれる場合、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加する処理を更に実行し、前記構築する処理は、前記制約リストを基にして、前記因果推論モデルの構造を構築することを特徴とする請求項１に記載の因果推論モデル構築プログラム。
【請求項3】
前記第１ノードおよび前記第２ノードと共通の因果関係を有する第３ノードが前記データに含まれる場合には、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加することを抑止する処理を更に実行することを特徴とする請求項２に記載の因果推論モデル構築プログラム。
【請求項4】
前記既知の因果関係を持つ組には優先度が設定され、前記制約を前記制約リストに追加する処理は、前記優先度を基にして、前記制約を前記制約リストに追加することを特徴とする請求項２または３に記載の因果推論モデル構築プログラム。
【請求項5】
コンピュータが実行する因果推論モデル構築方法であって、
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行することを特徴とする因果推論モデル構築方法。
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行することを特徴とする因果推論モデル構築方法。
【請求項6】
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、ノード間の既知の因果関係を持つ組のデータを取得する取得部と、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する構造学習部と
を有することを特徴とする情報処理装置。
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する構造学習部と
を有することを特徴とする情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、因果推論モデル構築プログラム等に関する。
【背景技術】
【0002】
故障原因の推定、ＡＩ（Artificial Intelligence）の判定結果の説明等において、因果推論モデルが利用される。図２２は、因果推論モデルの一例を示す図である。因果推論モデルは、原因と結果を方向付きのエッジで表したモデルである。図２２では、原因、結果に対応するノードＳ１，Ｓ２，Ｓ３，Ｓ４，Ｓ５，Ｓ６，Ｓ７，Ｓ８，Ｓ９が含まれる。エッジの始点に対応するノードが原因に対応するノードとなり、エッジの終点に対応するノードが結果に対応するノードとなる。
【0003】
ノードＳ７と、ノードＳ３とに着目すると、ノードＳ７が原因に対応し、ノードＳ３が結果に対応する。すなわち、ノードＳ７，Ｓ３の組には、ノードＳ７からノードＳ３の方向に、因果関係が存在する。
【0004】
因果推論モデルの学習には、構造の学習と、確率パラメータの学習とが含まれる。たとえば、因果推論モデルの構造を学習する従来技術として、従来技術１、２、３について説明する。
【0005】
従来技術１では、データの相関を基にして、所定のアルゴリズムを用いて、自動的に因果推論モデルの構造を学習する。しかし、従来技術１では、データが少ない場合に、データの取得状況の少しの差によって、学習される構造が大きく変わってしまう。図２３は、従来技術１の問題を説明するための図である。図２３に示す例では、データの取得状況の差により、複数の構造Ｓｔｒ１，Ｓｔｒ２，Ｓｔｒ３が学習される。
【0006】
従来技術２では、機器の接続等、事前に知られている因果関係（専門知識）を基にネットワークを構築する。この従来技術２では、専門知識としてネットワーク全体の情報が事前にわかっていることが前提となっており、ネットワーク全体の情報がわかっていない場合には、ネットワーク（因果推論モデルに相当するネットワーク）を構築することが難しい。
【0007】
従来技術３は、専門家が抽出した因果関係（専門知識）を用いて、データから因果推論モデルの構造を学習する。従来技術３では、Ｋ２アルゴリズム等を利用する。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】米国特許第１０７０６１０４号明細書
【特許文献2】米国特許出願公開第２０１９／０１０２６８８号明細書
【特許文献3】特開２０１６－１２２３３２号公報
【発明の概要】
【発明が解決しようとする課題】
【0009】
上記の従来技術３では、専門知識と、データとを用いて因果推論モデルを構築しているが、専門知識をそのまま用いると、説明性や安定性の低い因果推論モデルが生成される場合がある。
【0010】
図２４は、従来技術３の問題を説明するための図（１）である。図２４の因果推論モデルＭ１－１は、専門知識のみで構築したモデルである。因果推論モデルＭ１－２は、理想的なモデルである。因果推論モデルＭ１－１，Ｍ１－２に含まれるノードＳ１，Ｓ２，Ｓ３，Ｓ４，Ｓ５，Ｓ６，Ｓ７，Ｓ８，Ｓ９は、各種の値（データ）を計測するセンサに対応するものとする。
【0011】
たとえば、相互情報量を指標として、説明性の定量評価を行うと、因果推論モデルＭ１－１の説明性はグラフＧ１－１に示され、因果推論モデルＭ１－２の説明性はグラフＧ１－２に示される。定量評価として、式（１）を用いる。式（１）のＸｉ，Ｘｊは、比較対象のノードに対応する確率変数となり、ｘｉ，ｘｊは、ノードに対応するセンサが計測するデータが入力される。
【0012】
【数1】
【0013】
グラフＧ１－１，１－２の横軸には、各ノードの識別情報が設定される。グラフＧ１－１，１－２の縦軸は、説明性（相互情報量）に対応する軸である。相互情報量が高いほど、不確実の影響が小さく、合理的に説明できることを意味する。グラフＧ１－１，１－２では、ノードＳ９と、他のノードＳ１～Ｓ８との相互情報量を示す。
【0014】
グラフＧ１－１では、ノードＳ９と、他のノードＳ１～Ｓ８との相互情報量がほぼ０に近い値を取り、説明性が極めて低いことがわかる。一方、グラフＧ１－２では、ノードＳ９とノードＳ１との組、ノードＳ９とノードＳ３との組において、相互情報量が高くなっている。
【0015】
図２５は、従来技術３の問題を説明するための図（２）である。因果推論モデルＭ１－１と、因果推論モデルＭ１－２とを比較すると、因果推論モデルＭ１－１は、ノード間の依存関係の情報が欠けていることがわかる。
【0016】
たとえば、因果推論モデルＭ１－１では、ノードＳ１を終点とするエッジが存在しないが、因果推論モデルＭ１－２では、ノードＳ１は、ノードＳ２，Ｓ３，Ｓ５を始点とするエッジに接続されている。また、因果推論モデルＭ１－１のノードＳ３と、因果推論モデルＭ１－２のノードＳ３とを比較すると、因果推論モデルＭ１－２のノードＳ３では、因果推論モデルＭ１－１のノードＳ３の接続関係に加えて、ノードＳ４とノードＳ１との接続関係に関する情報が追加されている。
【0017】
図２５のように、因果推論モデルＭ１－１は、因果推論モデルＭ１－２と比較して、ノード間の依存関係の情報が欠けているため、多重共線性等の問題が発生し、図２４で説明したように、それぞれのノード（属性）の説明性が低下する。
【0018】
１つの側面では、本発明は、より説明性や安定性の高いモデルを構築することができる因果推論モデル構築プログラム、因果推論モデル構築方法および情報処理装置を提供することを目的とする。
【課題を解決するための手段】
【0019】
第１の案では、コンピュータに次の処理を実行させる。コンピュータは、因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、ノード間の既知の因果関係を持つ組のデータを取得する。コンピュータは、ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、既知の因果関係を持つ組に対して、制約を設けないという制約リストに基づいて、因果推論モデルの構造を構築する。
【発明の効果】
【0020】
より説明性や安定性の高いモデルを構築することができる。
【図面の簡単な説明】
【0021】
【発明を実施するための形態】
【0022】
以下に、本願の開示する因果推論モデル構築プログラム、因果推論モデル構築方法および情報処理装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。
【実施例0023】
本実施例の説明を行う前に、まず、問題の専門知識の欠損に関する特徴（１）、特徴（２）について説明する。
【0024】
図１は、問題の専門知識の欠損に関する特徴を説明するための図である。図１では、因果推論モデルＭ１－１，Ｍ１－２を示す。因果推論モデルＭ１－１は、専門知識のみで構築したモデルである。因果推論モデルＭ１－２は、理想的なモデルである。
【0025】
図１に示すように、因果推論モデルＭ１－１は、ノードＳ１，Ｓ２，Ｓ３，Ｓ４，Ｓ５，Ｓ６，Ｓ７，Ｓ８，Ｓ９が含まれ、因果関係によって、各ノードがエッジ（方向を有するエッジ）で接続されている。たとえば、ノードＳ７およびノードＳ３はエッジで接続され、エッジの方向は、ノードＳ３の方向となる。ノードＳ１～Ｓ７は、センサに対応するノードである。
【0026】
因果推論モデルＭ１－２についても同様に、ノードＳ１～Ｓ９が含まれ、因果関係によって、エッジで接続されている。
【0027】
本実施例の説明では、ノードＳｎと、ノードＳｍとがエッジで接続され、エッジの向きがノードＳｎからノードＳｍに向かっている場合には、「ノードＳｎ→ノードＳｍ」と表記する。
【0028】
因果推論モデルＭ１－１と、因果推論モデルＭ１－２とを比較すると、因果関係の基本的な構造（上段→中断→下段）は同じであるという特徴（１）がある。たとえば、因果推論モデルＭ１－１の「ノードＳ４→ノードＳ９」の部分が、因果推論モデルＭ１－２では「ノードＳ４→ノードＳ３→ノードＳ９」となっている。因果推論モデルＭ１－１の「ノードＳ４→ノードＳ９」と比較すると、因果推論モデルＭ１－２の「ノードＳ４→ノードＳ３→ノードＳ９」は、間に別の要素が入っているだけで、方向は変わらず「信頼できる」といえる。
【0029】
ただし、特徴（２）として、共通のノード（要素）を結果に持つ場合には、エッジの方向が逆になる場合がある。たとえば、因果推論モデルＭ１－１では、「ノードＳ１→ノードＳ９」と、「ノードＳ５→ノードＳ９」、「ノードＳ１→ノードＳ５」が存在し、ノードＳ１，Ｓ５が、共通のノードＳ９を「結果」として持っている。また、因果推論モデルＭ１－２では、「ノードＳ５→ノードＳ１」が存在している。因果推論モデルＭ１－１と、因果推論モデルＭ１－２とを比較すると、ノードＳ１と、ノードＳ５との間のエッジの方向が逆になっている。
【0030】
共通のノード（要素）を結果に持つ場合には、相関が高く、かかる要素を因果関係と同様に扱ったり、誤って因果関係を逆に捉えてしまったりすることがあり「信頼できない」といえる。
【0031】
続いて、本実施例に係る情報処理装置の処理の一例について説明する。情報処理装置は、事前に専門知識を得る。この専門知識は、専門家等が作成したノード間の既知の因果関係を持つ組のデータである。情報処理装置は、専門知識から、信頼できる部分だけを抽出し、制約として加えることで、センサデータから、因果推論モデルを構築する。
【0032】
情報処理装置は、以下の図２、図３で説明するようにして、制約を制約リストに加える。図２は、情報処理装置の処理を説明するための図（１）である。図２に示す例では、専門知識として、「ノードＳｎ→ノードＳｍ」が抽出されている場合、その逆のエッジ「ノードＳｍ→ノードＳｎ」が張られないことを制約とする。
【0033】
図３は、情報処理装置の処理を説明するための図（２）である。図３に示す例では、専門知識として「ノードＳｎ→ノードＳｍ」が含まれているが、ノードＳｎおよびノードＳｍは、共通のノードＳｌ（結果）を有している。このため、「ノードＳｎ→ノードＳｍ」は信頼できず、情報処理装置は、「ノードＳｍ→ノードＳｎ」の制約を設けることを抑止する。
【0034】
ここで、図２で追加した制約の根拠について説明する。図４は、制約の根拠を説明するための図（１）である。直接的な因果関係を持つとされている場合でも、間に入る他の要因が漏れている可能性があり、学習に用いることで失敗することがある。しかし、逆の関係が存在しないことは確実なので、制約に入れても問題はない。
【0035】
図４に示すように、専門知識として、「ノードＳｎ→ノードＳｍ」が抽出されている。この場合、他の可能性として、「ノードＳｎ→ノードＳｌ→ノードＳｍ」が存在し得る。しかし、その逆のエッジ「ノードＳｍ→ノードＳｎ」が張られないことは確実であり、「ノードＳｍ→ノードＳｎ」を制約に入れても問題はない。また、この制約によって、逆の方向の因果を制限でき、一定の効果が期待できる。
【0036】
続いて、図３で追加しなかった制約の根拠について説明する。図５は、制約の根拠を説明するための図（２）である。共通の要素を因果における原因または結果として持つ組については、相関が高く、それを因果関係と同様に扱ったり、誤って因果を逆に捉えてしまったりすることが少なく、信頼性が低い。
【0037】
図５に示す例では、専門知識として「ノードＳｎ→ノードＳｍ」が含まれているが、ノードＳｎおよびノードＳｍは、共通のノードＳｌ（結果）を有している。このため、「ノードＳｎ→ノードＳｍ」の信頼性は低くなる。このため、「ノードＳｎ→ノードＳｍ」は信頼できず、情報処理装置は、「ノードＳｍ→ノードＳｎ」の制約から除外する。
【0038】
次に、本実施例に係る情報処理装置の構成の一例について説明する。図６は、本実施例に係る情報処理装置の構成を示す機能ブロック図である。図６に示すように、この情報処理装置１００は、通信部１１０、入力部１２０、表示部１３０、記憶部１４０、制御部１５０を有する。
【0039】
通信部１１０は、ネットワークを介して、外部装置との間で情報の送受信を行う。たとえば、通信部１１０は、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、外部装置から、後述するセンサデータ１４１等を取得してもよい。
【0040】
入力部１２０は、各種の情報を、入力する入力装置である。入力部１２０は、キーボードやマウス、タッチパネル等に対応する。
【0041】
表示部１３０は、制御部１５０から出力される情報を表示する表示装置である。表示部１３０は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、タッチパネル等に対応する。
【0042】
記憶部１４０は、センサデータ１４１、因果関係データ１４２、制約リスト１４３、モデル構造データ１４４、モデルデータ１４５を有する。記憶部１４０は、たとえば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。
【0043】
センサデータ１４１は、複数のセンサが計測したデータを含む。図７は、センサデータのデータ構造の一例を示す図である。図７に示すように、このセンサデータ１４１は、センサ識別情報と、計測結果とを有する。識別情報は、センサを一意に識別する情報である。識別情報は、ノードを識別する情報でもある。たとえば、識別情報「Ｓ１」は、センサＳ１を識別し、ノードＳ１に対応する。計測結果は、各センサの計測結果に対応する。センサは、複数回の計測を行い、実施された計測毎に値が登録される。
【0044】
因果関係データ１４２は、既知の専門知識のデータである。図８は、因果関係データのデータ構造の一例を示す図である。図８に示すように、因果関係データ１４２は、原因と、結果とを対応付ける。原因には、因果関係にあるノード（センサ）の組のうち、原因のノードの識別情報が設定される。結果には、因果関係にあるノード（センサ）の組のうち、結果のノードの識別情報が設定される。
【0045】
たとえば、図８において、因果関係データ１４２の１行目では、原因「Ｓ１」、結果「Ｓ５」が設定されており、専門知識「ノードＳ１→ノードＳ５」が示される。図８の因果関係データ１４２に対応するモデルは、モデルＭ１４２となる。
【0046】
制約リスト１４３は、複数の制約の情報を有する。図９は、制約リストのデータ構造の一例を示す図である。図９に示すように、制約リスト１４３は、始点と終点とを対応付ける。始点および終点には、ノードの識別情報が設定され、始点および終点によって、制約を示す。
【0047】
たとえば、図９において、制約リスト１４３の１行目では、始点「Ｓ２」、終点「Ｓ６」が設定されており、制約「ノードＳ１→ノードＳ６」が示される。これは、ノードＳ１とノードＳ６とが因果関係を有しており、エッジで接続される場合に、ノードＳ１からノードＳ６の方向を、エッジの方向とすることを抑止する制約である。制約リスト１４３を視覚的に示したモデルは、モデルＭ１４３となる。
【0048】
モデル構造データ１４４は、後述する処理によって学習される因果推論モデルの構造の情報である。図１０は、モデル構造データのデータ構造の一例を示す図である。図１０に示すように、モデル構造データ１４４は、原因と、結果とを対応付ける。原因には、因果関係にあるノード（センサ）の組のうち、原因のノードの識別情報が設定される。結果には、因果関係にあるノード（センサ）の組のうち、結果のノードの識別情報が設定される。
【0049】
たとえば、図１０において、因果関係データ１４２の１行目では、原因「Ｓ１」、結果「Ｓ９」が設定されており、構造の一部分「ノードＳ１→ノードＳ９」が示される。図８の因果関係データ１４２に対応するモデルは、モデルＭ１４４となる。
【0050】
因果推論モデル１４５は、モデル構造データ１４４に確率パラメータを設定したデータである。
【0051】
図６の説明に戻る。制御部１５０は、取得部１５１と、制約抽出部１５２と、構造学習部１５３、パラメータ学習部１５４とを有する。制御部１５０は、たとえば、ＣＰＵ（Central Processing Unit）やＭＰＵ(Micro Processing Unit)により実現される。また、制御部１５０は、例えばＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実行されてもよい。
【0052】
取得部１５１は、通信部１１０を介して、センサデータ１４１、因果関係データ１４２を取得する。取得部１５１は、取得したセンサデータ１４１、因果関係データ１４２を、記憶部１４０に記憶させる。取得部１５１は、センサデータ１４１、因果関係データ１４２を、入力部１２０から取得してもよい。
【0053】
制約抽出部１５２は、因果関係データ１４２を基にして制約を抽出し、抽出した制約を制約リスト１４３に追加する。制約抽出部１５２は、因果関係データ１４２から、因果関係を有する組（因果組）を一つ選択する。制約抽出部１５２は、選択した因果組に含まれるノードに関して、共通する原因、または、結果が存在しない場合に、選択した因果組の原因と結果との関係を入れ替えた制約を生成し、制約リスト１４３に登録する。
【0054】
一方、制約抽出部１５２は、選択した因果組に含まれるノードに関して、共通する原因、または、結果が存在する場合に、選択した因果組を基にして制約を生成することを抑止する。
【0055】
図１１は、制約抽出部の処理手順を示すフローチャートである。図１１に示すように、制約抽出部１５２は、全ての因果組をチェックしたか否かを判定する（ステップＳ１０１）。制約抽出部１５２は、全ての因果組をチェックした場合には（ステップＳ１０１，Ｙｅｓ）、処理を終了する。
【0056】
一方、制約抽出部１５２は、全ての因果組をチェックしていない場合には（ステップＳ１０１，Ｎｏ）、因果組を一つ選択する（ステップＳ１０２）。説明の便宜上、原因のノードが「Ａ」、結果のノードが「Ｂ」となる因果組を（Ａ，Ｂ）と表記する。
【0057】
制約抽出部１５２は、全てのノードをチェックしたか否かを判定する（ステップＳ１０３）。制約抽出部１５２は、全てのノードをチェックした場合には（ステップＳ１０３，Ｙｅｓ）、制約（Ｂ，Ａ）を制約リスト１４３に追加し（ステップＳ１０４）、ステップＳ１０１に移行する。
【0058】
一方、制約抽出部１５２は、全てのノードをチェックしていない場合には（ステップＳ１０３，Ｎｏ）、未選択のノードを選択する（ステップＳ１０５）。説明の便宜上、選択したノードを、ノードＣとする。
【0059】
制約抽出部１５２は、因果関係データ１４２を基にして、組（Ａ，Ｃ）と（Ｂ，Ｃ）との両方を因果組として持つという条件を満たすか否かを判定する（ステップＳ１０６）。制約抽出部１５２は、因果関係データ１４２を基にして、組（Ｃ，Ａ）と（Ｃ，Ｂ）との両方を因果組として持つという条件を満たすか否かを判定する（ステップＳ１０７）。
【0060】
制約抽出部１５２は、ステップＳ１０６，Ｓ１０７のどちらかの条件を満たす場合には（ステップＳＳ１０８，Ｙｅｓ）、ステップＳ１０１に移行する。制約抽出部１５２は、ステップＳ１０６，Ｓ１０７のどちらの条件も満たさない場合には（ステップＳ１０８，Ｎｏ）、ステップＳ１０３に移行する。
【0061】
続いて、制約抽出部１５２の処理の一例について説明する。図１２は、制約抽出部の処理を説明するための図である。制約抽出部１５２は、因果組として「原因＝Ｓ１」、「結果＝Ｓ５」を選択した場合について説明する。因果組（Ａ＝Ｓ１，Ｂ＝Ｓ５）の場合、ＣがＳ９となった場合に、組（Ｓ１，Ｓ９）と、組（Ｓ５，Ｓ９）との両方を因果組として持つ。この場合には、制約抽出部１５２は、因果組（Ａ＝Ｓ１，Ｂ＝Ｓ５）に基づく制約を、制約リスト１４３に追加しない。
【0062】
制約抽出部１５２は、因果組として「原因＝Ｓ１」、「結果＝Ｓ９」を選択した場合について説明する。因果組（Ａ＝Ｓ１，Ｂ＝Ｓ９）の場合、図１１のステップＳ１０６、Ｓ１０７で示した条件を満たすＣは、存在しない。この場合、制約抽出部１５２は、制約（Ｓ９，Ｓ１）を生成し、生成した制約を、制約リスト１４３に追加する。
【0063】
制約抽出部１５２は、上記の処理を繰り返し実行することで、制約リスト１４３を生成する。
【0064】
図６の説明に戻る。構造学習部１５３は、センサデータ１４１と、因果関係データ１４２と、制約リスト１４３を基にして、因果推論モデルの構造を生成（構造学習）する。構造学習部１５３は、制限付きの構造学習に関するアルゴリズムとして、従来技術（Schreiber, J. M. and Noble, W. S., Finding the optimal Bayesian network given a constraint graph, PeerJ Comput. Sci., 3 (2017), e122.）等に記載されたアルゴリズム（動的計画法）を用いればよい。
【0065】
ここでは、説明の便宜上、動的計画法の代わりに、貪欲法を用いて、モデル構造データ１４４を生成する場合について説明する。貪欲法では、最長記述長（MDL：Minimum Description Length）を用いる。たとえば、ＭＤＬは、式（２）によって算出される。
【0066】
【数2】
【0067】
式（２）において、「Ｄ」は、センサデータ１４１に格納されたデータ（計測結果）に対応する。「Ｍ」は、モデル構造データに加えたノードを示す。「｜Ｍ｜」は、ノードに設定されるパラメータの数に対応する。
【0068】
図１３は、構造学習部の処理手順を示すフローチャートである。図１３に示すように、構造学習部１５３は、全てのノードをモデル構造データ１４４に加えたか否かを判定する（ステップＳ２０１）。構造学習部１５３は、全てのノードをモデル構造データ１４４に加えた場合には（ステップＳ２０１，Ｙｅｓ）、処理を終了する。
【0069】
一方、構造学習部１５３は、全てのノードをモデル構造データ１４４に加えていない場合には（ステップＳ２０１，Ｎｏ）、残っている各ノードに対してＭＤＬ最小となるリンクの組み合わせと、その時（ＭＤＬ最小となるリンクの組み合わせ時）のＭＤＬを算出する（ステップＳ２０２）。
【0070】
構造学習部１５３は、ＭＤＬが最小となるノードを選択し、ノートとリンクをモデル構造データ１４４に追加し（ステップＳ２０３）、ステップＳ２０１に移行する。
【0071】
【0072】
図１４について説明する。モデル構造データ１４４の初期状態を、モデル１４４－０とする。モデル１４４－０に示す破線の矢印は、制約リスト１４３に設定された制約に対応する。構造学習部１５３は、図１３で説明した処理を、ループ（１）～ループ（９）まで実行することで、モデル構造データ１４４を生成する。
【0073】
ループ（１）について説明する。構造学習部１５３は、残っているノードＳ１～Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ１に示すものとなる。テーブルＴ１に示す例では、ノードＳ６のＭＤＬが最小「-1411.7」となる。構造学習部１５３は、ノードＳ６を、モデル１４４－０に加えることで、モデル１４４－１を生成する。
【0074】
ループ（２）について説明する。構造学習部１５３は、残っているノードＳ１～Ｓ５，Ｓ７～Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ２に示すものとなる。テーブルＴ２では、リンク「ノードＳ６→ノードＳ２」が設定されている。テーブルＴ２に示す例では、ノードＳ４のＭＤＬが最小「-1198.2」となる。構造学習部１５３は、ノードＳ４を、モデル１４４－１に加えることで、モデル１４４－２を生成する。
【0075】
ループ（３）について説明する。構造学習部１５３は、残っているノードＳ１～Ｓ３，Ｓ５，Ｓ７～Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ３に示すものとなる。テーブルＴ３に示す例では、ノードＳ８のＭＤＬが最小「-984.1」となる。構造学習部１５３は、ノードＳ８を、モデル１４４－２に加えることで、モデル１４４－３を生成する。
【0076】
図１５の説明に移行する。ループ（４）について説明する。構造学習部１５３は、残っているノードＳ１～Ｓ３，Ｓ５，Ｓ７，Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ４に示すものとなる。テーブルＴ４に示す例では、ノードＳ５のＭＤＬが最小「-767.4」となる。構造学習部１５３は、ノードＳ５を、モデル１４４－３に加えることで、モデル１４４－４を生成する。
【0077】
ループ（５）について説明する。構造学習部１５３は、残っているノードＳ１～Ｓ３，Ｓ７，Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ５に示すものとなる。テーブルＴ５に示す例では、ノードＳ７のＭＤＬが最小「-533.5」となる。構造学習部１５３は、ノードＳ７を、モデル１４４－４に加えることで、モデル１４４－５を生成する。
【0078】
ループ（６）について説明する。構造学習部１５３は、残っているノードＳ１～Ｓ３，Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ６に示すものとなる。テーブルＴ６に示す例では、リンク「ノードＳ７→ノードＳ３」、「ノードＳ８→ノードＳ３」が新たに設定されている。構造学習部１５３は、ノードＳ２のＭＤＬが最小「-286.0」となるため、ノードＳ２を、モデル１４４－５に加えることで、モデル１４４－６を生成する。また、構造学習部１５３は、テーブルＴ６のノードＳ２のリンク「ノードＳ６→ノードＳ２」に対応するエッジを、モデル１４４－６に追加する。
【0079】
図１６の説明に移行する。ループ（７）について説明する。構造学習部１５３は、残っているノードＳ１，Ｓ３，Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ７に示すものとなる。テーブルＴ７に示す例では、ノードＳ３のＭＤＬが最小「295.2」となる。構造学習部１５３は、ノードＳ３をモデル１４４－６に追加することで、モデル１４４－７を生成する。また、構造学習部１５３は、テーブルＴ７のノードＳ３のリンク「ノードＳ７→ノードＳ３」、「ノードＳ８→ノードＳ３」に対応するエッジを、モデル１４４－７に追加する。
【0080】
ループ（８）について説明する。構造学習部１５３は、残っているノードＳ１，Ｓ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ８に示すものとなる。テーブルＴ８に示す例では、ノードＳ１のＭＤＬが最小「931.1」となる。テーブルＴ８では、リンク「ノードＳ２→ノードＳ１」、「ノードＳ３→ノードＳ１」、「ノードＳ５→Ｓ１」が新たに設定されている。構造学習部１５３は、ノードＳ１をモデル１４４－７に追加することで、モデル１４４－８を生成する。また、構造学習部１５３は、テーブルＴ８のノードＳ１のリンク「ノードＳ２→ノードＳ１」、「ノードＳ３→ノードＳ１」、「ノードＳ５→ノードＳ１」に対応するエッジを、モデル１４４－８に追加する。
【0081】
ループ（９）について説明する。構造学習部１５３は、残っているノードＳ９に対して、ＭＤＬ最小となるリンクの組み合わせと、その時のＭＤＬを算出すると、テーブルＴ９に示すものとなる。テーブルＴ９に示す例では、ノードＳ９のＭＤＬが最小「1029.7」となる。テーブルＴ９では、リンク「ノードＳ１→ノードＳ９」、「ノードＳ３→ノードＳ９」が新たに設定されている。構造学習部１５３は、ノードＳ９をモデル１４４－８に追加することで、モデル１４４－９を生成する。また、構造学習部１５３は、テーブルＴ９のノードＳ９のリンク「ノードＳ１→ノードＳ９」、「ノードＳ３→ノードＳ９」に対応するエッジを、モデル１４４－９に追加する。モデル１４４－９が、モデル構造データ１４４に対応する。
【0082】
構造学習部１５３は、上記の処理を実行することで、モデル構造データ１４４を学習する。構造学習部１５３は、モデル構造データ１４４を、記憶部１４０に記憶させる。
【0083】
図６の説明に戻る。パラメータ学習部１５４は、モデル構造データ１４４と、センサデータとを基にして、モデル構造データ１４４に含まれる確率パラメータを学習する。パラメータ学習部１５４が、確率パラメータを学習する処理は、どのような従来技術を用いてもよい。パラメータ学習部１５４が、モデル構造データ１４４に、確率パラメータを設定することで、因果推論モデル１４５を生成する。
【0084】
次に、本実施例に係る情報処理装置１００の処理手順の一例について説明する。図１７は、本実施例に係る情報処理装置の処理手順を示すフローチャートである。図１７に示すように、情報処理装置１００の取得部１５１は、外部装置からセンサデータ１４１を取得し、記憶部１４０に記憶する（ステップＳ３１０）。取得部１５１は、外部装置から因果関係データ１４２を取得し、記憶部１４０に記憶する（ステップＳ３２０）。
【0085】
情報処理装置１００の制約抽出部１５２は、制約抽出処理を実行する（ステップＳ３３０）。制約抽出部１５２が実行する制約抽出処理は、図１１で説明した処理に対応する。
【0086】
情報処理装置１００の構造学習部１５３は、構造学習処理を実行する（ステップＳ３４０）。構造学習部１５３が実行する構造学習処理は、図１３で説明した処理に対応する。
【0087】
情報処理装置１００のパラメータ学習部１５４は、モデル構造データのパラメータを学習し、因果推論モデル１４５を生成する（ステップＳ３５０）。パラメータ学習部１５４は、因果推論モデル１４５を、記憶部１４０に記憶する（ステップＳ３６０）。
【0088】
次に、本実施例に係る情報処理装置１００の効果について説明する。情報処理装置１００は、因果推論モデル１４５を構築する場合に、因果関係データ１４２に含まれる複数の因果組から、信頼できる因果組のみを用いて制約を抽出し、制約に基づいてモデル構造データ１４４を学習する。これによって、説明性や信頼性のより高い因果推論モデル１４５を構築することができる。
【0089】
因果推論モデル１４５に含まれるノードの組のうち、第１ノードが原因で、第２ノードが結果となる既知の因果関係が因果関係データ１４２に含まれるものとする。この場合、情報処理装置１００は、第２ノードから、第１ノードの方向に向かうエッジによって、第１ノードと第２ノードとを接続しないという制約を抽出する。これによって、信頼できる因果関係によって、モデル構造データ１４４を構築時の制約を設定できる。この制約の設定は、上記の特徴（１）に基づくものである。
【0090】
因果推論モデル１４５に含まれるノードの組のうち、第１ノードおよび第２ノードと共通の因果関係を有する第３ノードが因果関係データに含まれるものとする。この場合、情報処理装置１００は、第２ノードから、第１ノードの方向に向かうエッジによって、第１ノードと第２ノードとを接続しないという制約を制約リスト１４３に追加することを抑止する。これによって、信頼性の低い因果関係に基づく制約を設定することを防止することができる。
【0091】
図１８は、本実施例に係る情報処理装置の効果を説明する図（１）である。図１８では、情報処理装置１００が構築した因果推論モデル１４５を示す。この因果推論モデル１４５に対して、説明性の定量評価を行うと、図１８のグラフＧ１４５となる。定量評価として、式（１）を用いる。グラフＧ１４５の横軸には、各ノードの識別情報が設定される。グラフＧ１４５の縦軸は、説明性（相互情報量）に対応する軸である。相互情報量が高いほど、不確実の影響が小さく、合理的に説明できることを意味する。グラフＧ１４５では、ノードＳ９と、他のノードＳ１～Ｓ８との相互情報量を示す。グラフＧ１４５では、ノードＳ９とノードＳ１との組、ノードＳ９とノードＳ３との組において、相互情報量が高くなっている。また、重要な属性の説明性が特に高いといえる。
【0092】
図１９は、本実施例に係る情報処理装置の効果を説明する図（２）である。図１９では、サンプリングにより１０００個のデータセットを作って、説明性を評価した結果を示す。図１９のグラフＧ３－１は、専門知識のみで構築したモデルに対して、説明性の定量評価を行った結果を箱ひげ図で示すものである。グラフＧ３－２は、因果推論モデル１４５に対して、説明性の定量評価を行った結果を箱ひげ図で示すものである。グラフ３－２は、グラフ３－１と比較して、安定性が向上（分散が減少）しており、Ｓ３に関する説明性が向上していることを確認することができる。
【0093】
ところで、情報処理装置１００は、特徴（１）、特徴（２）を基にして制約を抽出し、制約リスト１４３に追加していたが、これに限定されるものではない。たとえば、情報処理装置１００の制約抽出部１５２は、信頼度の高い因果関係のみを制約に加えてもよい。
【0094】
ここで、信頼度が高い因果関係とは、たとえば、文献での出現頻度が高い因果関係となる。たとえば、因果関係データ１４２の各因果関係に、それぞれ信頼度をそれぞれ設定しておく。制約抽出部１５２は、信頼度が閾値以上となる因果関係のみを用いて、制約を抽出してもよいし、信頼度の高いものから順に加えて、情報量基準で制約として抽出するか否かを、判定してもよい。情報量基準には、ＡＩＣ（Akaike's Information Criterion）、ＭＤＬ等がある。
【0095】
図２０は、本実施例に係る情報処理装置の効果を説明する図（３）である。図２０では、サンプリングにより１０００個のデータセットを作って、説明性を評価した結果を示す。グラフＧ３－２は、因果推論モデル１４５に対して、説明性の定量評価を行った結果を箱ひげ図で示すものである。グラフＧ３－３は、信頼度が閾値以上となる因果関係のみを用いて抽出した制約を用いて構築した因果推論モデルに対して、説明性の定量評価を行った結果を箱ひげ図で示すものである。グラフＧ３－２とグラフＧ３－３とを比較すると、グラフＧ３－３の方が、更に安定性が向上している。
【0096】
ところで、本実施例では一例として、因果推論モデル１４５として、最終的な結果となるノードが１つのものを用いて説明したが、最終的な結果のノードが複数の場合でも、本発明を問題なく適用することができる。本発明の制約の判断は局所的なものであり、結果のノードが複数であっても、影響がない。
【0097】
次に、上記実施例に示した情報処理装置１００と同様の機能を実現するコンピュータのハードウェア構成の一例について説明する。図２１は、実施例の情報処理装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。
【0098】
図２１に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３とを有する。また、コンピュータ２００は、有線または無線ネットワークを介して、外部装置等との間でデータの授受を行う通信装置２０４と、インタフェース装置２０５とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０６と、ハードディスク装置２０７とを有する。そして、各装置２０１～２０７は、バス２０８に接続される。
【0099】
ハードディスク装置２０７は、取得プログラム２０７ａ、制約抽出プログラム２０７ｂ、構造学習プログラム２０７ｃ、パラメータ学習プログラム２０７ｄを有する。また、ＣＰＵ２０１は、各プログラム２０７ａ～２０７ｄを読み出してＲＡＭ２０６に展開する。
【0100】
取得プログラム２０７ａは、取得プロセス２０６ａとして機能する。制約抽出プログラム２０７ｂは、制約抽出プロセス２０６ｂとして機能する。構造学習プログラム２０７ｃは、構造学習プロセス２０６ｃとして機能する。パラメータ学習プログラム２０７ｄは、パラメータ学習プロセス２０６ｄとして機能する。
【0101】
取得プロセス２０６ａの処理は、取得部１５１の処理に対応する。制約抽出プロセス２０６ｂの処理は、制約抽出部１５２の処理に対応する。構造学習プロセス２０６ｃの処理は、構造学習部１５３の処理に対応する。パラメータ学習プロセス２０６ｄの処理は、パラメータ学習部１５４の処理に対応する。
【0102】
なお、各プログラム２０７ａ～２０７ｄについては、必ずしも最初からハードディスク装置２０７に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤ、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００が各プログラム２０７ａ～２０７ｄを読み出して実行するようにしてもよい。
【0103】
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。
【0104】
（付記１）コンピュータに、
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行させることを特徴とする因果推論モデル構築プログラム。
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行させることを特徴とする因果推論モデル構築プログラム。
【0105】
（付記２）前記因果推論モデルに含まれるノードの組のうち、第１ノードが原因で、第２ノードが結果となる既知の因果関係が前記データに含まれる場合、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加する処理を更に実行し、前記構築する処理は、前記制約リストを基にして、前記因果推論モデルの構造を構築することを特徴とする付記１に記載の因果推論モデル構築プログラム。
【0106】
（付記３）前記第１ノードおよび前記第２ノードと共通の因果関係を有する第３ノードが前記データに含まれる場合には、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加することを抑止する処理を更に実行することを特徴とする付記２に記載の因果推論モデル構築プログラム。
【0107】
（付記４）前記既知の因果関係を持つ組には優先度が設定され、前記制約を前記制約リストに追加する処理は、前記優先度を基にして、前記制約を前記制約リストに追加することを特徴とする付記２または３に記載の因果推論モデル構築プログラム。
【0108】
（付記５）コンピュータが実行する因果推論モデル構築方法であって、
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行することを特徴とする因果推論モデル構築方法。
因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、
ノード間の既知の因果関係を持つ組のデータを取得し、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する
処理を実行することを特徴とする因果推論モデル構築方法。
【0109】
（付記６）前記因果推論モデルに含まれるノードの組のうち、第１ノードが原因で、第２ノードが結果となる既知の因果関係が前記データに含まれる場合、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加する処理を更に実行し、前記構築する処理は、前記制約リストを基にして、前記因果推論モデルの構造を構築することを特徴とする付記５に記載の因果推論モデル構築方法。
【0110】
（付記７）前記第１ノードおよび前記第２ノードと共通の因果関係を有する第３ノードが前記データに含まれる場合には、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加することを抑止する処理を更に実行することを特徴とする付記６に記載の因果推論モデル構築方法。
【0111】
（付記８）前記既知の因果関係を持つ組には優先度が設定され、前記制約を前記制約リストに追加する処理は、前記優先度を基にして、前記制約を前記制約リストに追加することを特徴とする付記６または７に記載の因果推論モデル構築方法。
【0112】
（付記９）因果推論モデルに含まれる複数のノードにそれぞれ対応する複数のセンサから取得したセンサデータを基にして、前記因果推論モデルの複数のノードを方向付きのエッジで接続する場合に、ノード間の既知の因果関係を持つ組のデータを取得する取得部と、
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する構造学習部と
を有することを特徴とする情報処理装置。
前記ノード間の既知の因果関係を持つ組に対して、該因果関係とは逆の因果関係を含まないことを制約とし、かつ、前記既知の因果関係を持つ組が、共通の原因または結果を持つ場合には、前記既知の因果関係を持つ組に対して、前記制約を設けないという制約リストに基づいて、前記因果推論モデルの構造を構築する構造学習部と
を有することを特徴とする情報処理装置。
【0113】
（付記１０）前記因果推論モデルに含まれるノードの組のうち、第１ノードが原因で、第２ノードが結果となる既知の因果関係が前記データに含まれる場合、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加する制約抽出部を更に有し、前記構造学習部は、前記制約リストを基にして、前記因果推論モデルの構造を構築することを特徴とする付記９に記載の情報処理装置。
【0114】
（付記１１）前記制約抽出部は、前記第１ノードおよび前記第２ノードと共通の因果関係を有する第３ノードが前記データに含まれる場合には、前記第２ノードから、前記第１ノードの方向に向かうエッジによって、前記第１ノードと前記第２ノードとを接続しないという制約を前記制約リストに追加することを抑止する処理を更に実行することを特徴とする付記１０に記載の情報処理装置。
【0115】
（付記１２）前記既知の因果関係を持つ組には優先度が設定され、前記制約抽出部は、前記制約を前記制約リストに追加する処理は、前記優先度を基にして、前記制約を前記制約リストに追加することを特徴とする付記１０または１１に記載の情報処理装置。
【符号の説明】
【0116】
１００ 情報処理装置
１１０ 通信部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４１ センサデータ
１４２ 因果関係データ
１４３ 制約リスト
１４４ モデル構造データ
１４５ 因果推論モデル
１５０ 制御部
１５１ 取得部
１５２ 制約抽出部
１５３ 構造学習部
１５４ パラメータ学習部
１１０ 通信部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４１ センサデータ
１４２ 因果関係データ
１４３ 制約リスト
１４４ モデル構造データ
１４５ 因果推論モデル
１５０ 制御部
１５１ 取得部
１５２ 制約抽出部
１５３ 構造学習部
１５４ パラメータ学習部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】