## Memo - [ICML2020 因果推論系論文 著者発表会 (オンライン)｜IT勉強会ならTECH PLAY［テックプレイ］](https://techplay.jp/event/783652) で紹介されていた - スライド [https://takeshi-teshima.github.io/talks/2020-07-22/few-shot-domain-adaptation-by-causal-mechanism-transfer.pdf](https://takeshi-teshima.github.io/talks/2020-07-22/few-shot-domain-adaptation-by-causal-mechanism-transfer.pdf) ## Abstract 論文概要： 本研究では手元のデータが少数しかない場合にも精度の良い予測器を学習する方法論として「ドメイン適応 (Domain adaptation; DA)」の実現方法を考えます．ドメイン適応とは，手元のデータが限られているときに「手元のデータとは確率分布が異なるが関連性のある追加的データ」を学習に役立てるという方法論です．ドメイン適応の方法を開発する上で最も重要な問いは，「『関連性』として異なるデータ間にどのような関係を仮定するか（転移仮定）」です．本研究では転移仮定として「データ分布の背後にある『因果モデル』が共通である」という仮定を用いることができる可能性を探索しました．例えば仮想的応用例として医療記録から疾病予測を行うための予測器を，ある地域に特化して学習したいという状況を考えます．その際，異なる地域でのデータを活用しようとしても，生活習慣が異なるなどの理由でデータの分布そのものは大きく異なる可能性があります．しかしながら同じ疾病は地域によらず同じ機序を持つと期待することはできます．こういった状況下で「背後にある因果的機構が同一」という事前知識を利用して精度の良い学習を行う方法を提供することが本研究の理想的ゴールです．本論文では，具体的には各ドメインの確率分布の背後に構造的因果的モデルがあると仮定したうえで，「その構造方程式が共通である」という転移仮定を用いることを提案しました．この仮定を利用してドメイン適応を行う方法を開発し，その理論的解析を通して提案法が統計的学習においてどのように貢献するかを明らかにし，さらにProof-of-conceptとなる実データ実験を通して手法の妥当性を確認した結果を報告しています． ## 1. Introduction