著者：Aleksander Molak (著), 株式会社クイープ (翻訳)

広大な因果世界を幅広くカバー！ 因果推論・因果探索のコード例を多数掲載 米国Amazonでカテゴリーベストセラー（2024/6上旬など） 因果的概念の紹介から、グラフによる理解、 機械学習を利用した因果探索の実践まで データサイエンティスト、機械学習エンジニアなら 知っておきたい因果の手法を解説 パート1では、関連・介入・反事実、構造的因果モデルなど、 因果推論を構成する基本概念と、グラフ表現を解説。

因果のはしご（p.15）

段	活動	問い
(1) 関連	観察	Xを観察すると、Yに対する自分の考えがどのように変化するか
(2) 介入	行動	Xを行ったら、Yはどうなるか？
(3) 反事実	想像	もしXを行っていたら、Yはどうなっていたか

構造的因果モデル（structural causal model : SCM）は、変数間の因果関係を表すためのシンプルながら強力なツールである。（p.16）

ほとんどの因果推論と因果探索の手法では、ノイズ変数の相互の相関が認められないことが要求される（そうでない場合は、ノイズ変数は未観測の交絡因子になる）。このことは現実世界の因果推論の主な難題の一つであり、この前提を満たしていることを確認するのは非常に難しい場合がある。（p.17）

Pythonの因果エコシステムはダイナミックに拡大しており、ますます豊かに、強力になりつつある。（p.116）
※筆者は、DoWhyパッケージを推している

因果プロジェクトの能力を最大限に引き出すための5つのステップ
１．質問から始める
２．専門知識を獲得する
３．仮説をグラフ化する
４．同定可能性をチェックする
５．仮説を反証する

 

時間がなくて、コードもgithubにアップされていますので試しながら動かせます。（私はそこまで時間がなくできていませんが・・・）

この分野も一時期ブームが来るかと思ったのですが、すっかり生成AIにやられてしまった感も否めません。生成AIの一つの特化型生成AIとして、因果推論専用のモデルも出てくるかもしれませんね。