# 因果発見 ## 定義 因果発見（Causal Discovery）とは、純粋な観測データ（または観測と実験の混合データ）の統計的性質を分析して、変数間の因果関係を表す有向グラフ（DAG）またはその同値類を推定する手法の総称である。介入実験が高コスト・非倫理的・不可能な場合に、観測データのみから因果構造を復元するために発展した。有向グラフィカル因果モデル（DGCM）を表現として用い、因果マルコフ仮定と因果忠実性仮定を理論的基盤とする。(Source: [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]]) 主要な4系統（Glymour+ 2019 の3系統 + Vowels+ 2022 の拡張）: 1. **制約ベース手法**（PC・FCI）: 条件付き独立性検定で辺を除去し、マルコフ同値類（CPDAG/PAG）を出力。疎グラフで数万変数にスケール 2. **スコアベース手法**（GES）: BIC 等のスコア最適化で同値類を貪欲探索 3. **構造的非対称性の利用**（LiNGAM・ANM・PNL・IGCI）: ノイズと原因の独立性の非対称性、または情報幾何的性質を利用して因果方向を同定。ペアワイズ（局所的）手法が多い。LiNGAM 系にはオリジナルの ICA-LiNGAM（Shimizu+ 2006）と、ICA に依存せず外生変数を逐次同定する DirectLiNGAM（Shimizu+ 2011）がある。後者は固定ステップ数での収束が保証され、アルゴリズムパラメータが不要である (Source: [[@2011__JMLR__DirectLiNGAM - A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model]]) 4. **介入の利用**: 介入データで MEC を縮小し真のグラフを同定。ハード介入（親辺を切断）とソフト介入（条件付き分布変更）を区別 さらに、各系統は**組合せ最適化**（探索・SAT ソルバ）と**連続最適化**（勾配降下・拡張ラグランジアン）の2パラダイムに分かれる（Vowels+ 2022）。NOTEARS（Zheng+ 2018）が提案した非巡回性制約 h(A) = tr(e^{A⊙A}) − d = 0 により、組合せ的なグラフ探索が連続最適化問題に変換され、深層学習との融合が加速した。 近年は上記4系統に加え、**5. アモータイズド因果発見（因果発見基盤モデル）**が急速に発展している。人工的に構築した事前分布空間から大量の $(G, D)$ ペアを事前学習した基盤モデルで、未知の観測データから推論一発でグラフを予測する（AVICI・CauScale・TabCausal・DAG-FM 等）。詳細は [[アモータイズド因果発見]] を参照。(Source: [[@2026__arXiv__DAG-FM - A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms]]) ## 子概念 - [[Causal Software Engineering]] - [[RCA評価設計]] - [[グラフベースRCA]] - [[動的因果推論]] ## 横断的知見 - **Glymour+ 2019 と Vowels+ 2022 は補完的な視野で因果発見の全体像を照射する——前者は組合せ手法の30年の理論的蓄積を整理し、後者は連続最適化パラダイムの急速な台頭（2018–2020）を初めて体系化した**: Glymour+ 2019 がカバーする手法の大半は Vowels+ 2022 の Table 1（組合せ手法約60件）に含まれるが、Vowels+ 2022 はさらに Table 2 の連続最適化手法約30件と「因果の跳躍（Causal Leap）」の哲学的批判を加える。逆に Glymour+ 2019 が提供する生物学応用ガイドライン10項目やクラメール分解定理に基づく非ガウス性の議論は Vowels+ 2022 にはない。2 つのサーベイは異なる深度で同じ分野をカバーし、組合せ手法の理論的厳密性と連続最適化の実用的スケーラビリティという対比軸を浮かび上がらせる。(Source: [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]], [[D'ya like DAGs]]) - **連続最適化手法のスケーラビリティ問題は、組合せ手法と異なる瓶首から生じる——探索空間の超指数爆発ではなく非巡回性制約の行列演算の計算量（O(d³)）が支配的**: 組合せ手法の困難は DAG の数が変数数に対して超指数的に増加すること（10 変数で 4×10¹⁸）にあり、条件付き独立性検定のサンプル要求や多重検定補正が実用上の制約となる。一方、連続最適化手法の瓶首は NOTEARS の行列指数関数 tr(e^{A⊙A}) の O(d³) 計算量であり、LEAST（2020）はスペクトル半径上界で O(d) に改善し 160,000 変数でスケールさせた。この対比は、組合せ手法の理論的保証（同値類の同定）と連続最適化手法の実践的スケーラビリティのトレードオフとして構造化できる。(Source: [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]], [[D'ya like DAGs]]) - **「因果の跳躍」問題は両サーベイに共通するが、批判の焦点が異なる**: Glymour+ 2019 は忠実性仮定の実データでの妥当性と前処理による分布歪みを懸念し、Vowels+ 2022 は因果マルコフ条件（CMC）自体が通常のマルコフ条件の再ブランディングにすぎないという哲学的批判（Dawid 2008「矢印は d 分離意味論の付帯的構成要素にすぎない」）を展開する。前者は実践的な「どの仮定が破れるか」の視点、後者は原理的な「そもそも構造から因果への推論は正当化できるか」の視点であり、両者を組み合わせることで因果発見の適用限界がより明確になる。(Source: [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]], [[D'ya like DAGs]]) - **DirectLiNGAM は、反復探索ベースの因果発見手法が抱える「アルゴリズムパラメータ依存性」の問題を、外生変数の逐次同定という原理で解消した——これは Glymour+ 2019 が指摘する「非ガウス性による同定可能性の優位」を、推定アルゴリズムの安定性の次元でも実証したものである**: Glymour+ 2019 は非ガウス性の利用により制約ベース手法では同定できない因果方向が同定可能になることを理論的に整理した。DirectLiNGAM はさらに、ICA-LiNGAM が抱える初期値依存性・収束の非保証・スケール依存性という実装上の問題を排除し、p 変数に対して p ステップの固定ステップ数で因果順序を確定させた。ただし計算量は $O(np^3M^2 + p^4M^3)$ と ICA-LiNGAM より大きく、Vowels+ 2022 が指摘する「スケーラビリティと理論的保証のトレードオフ」の具体例となっている。(Source: [[@2011__JMLR__DirectLiNGAM - A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model]], [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]], [[D'ya like DAGs]]) - **DirectLiNGAM の社会学データ応用は、Glymour+ 2019 が懸念する「モデル仮定違反の実データでの影響」を具体的に例証している**: DirectLiNGAM は潜在交絡因子がないことを仮定するが、社会学の地位達成モデルでは父親の職業・教育・兄弟数の間に潜在交絡因子が存在しうる。実際、大標本（$n = 1380$）にもかかわらず息子の教育→父親の教育という誤った有向辺が推定された。これは Glymour+ 2019 が述べる「忠実性仮定の実データでの妥当性」の問題と並び、因果発見手法のモデル仮定がどの程度まで緩和可能かという実践的な問いを浮き彫りにする。(Source: [[@2011__JMLR__DirectLiNGAM - A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model]], [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]]) - **PCMCI+ はマイクロサービスの観測メトリクスからレイテンシグラフを発見する実用的な最有力手法であることが確認されたが、精度は「再現率>適合率」という非対称な特性を持つ**: Lohse et al. (AAAI 2025 AICT) は Robot Shop の 26 時間観測データを対象に PCMCI+・PC・FCI を比較した。マイクロサービスレベルで PCMCI+ は再現率100%・適合率55%・SHD=5 を達成した。誤辺は主に辺の向き不確定性に由来する（誤った因果的「親」を追加するが、必要な親を見落とさない）。この「再現率を優先する」特性は、因果グラフをレイテンシ再構築モデルの特徴量選択に使う場合に有利である——必要な特徴量を見落とすより余分な特徴量を含む方が、モデルが後段で対処できるためである。(Source: [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]]) - **ドメイン知識の制約化は因果発見の探索空間を劇的に削減し、実用的な実行時間（37秒）を実現する**: Lohse et al. は5つの仮定（A1: 同一サービス内エンドポイント間の呼び合いなし、A2: リクエスト数はレイテンシに直接影響しない、A3: リソース使用率上昇がレイテンシ悪化を引き起こす(逆不可)、A4: 同一サービスのエンドポイントは同一ホスト、A5: あるメトリクスはその属するサービスのレイテンシにのみ直接影響する）をグラフ探索の制約として実装した。この制約化により、全変数の組み合わせをチェックせずに済み、フル因果グラフ発見（第2段階）が37秒で完了した。Glymour+ 2019 の「ドメイン知識が探索効率を改善する」という理論的提言の実装事例として位置づけられる。(Source: [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]], [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]]) - **「コールグラフの逆向き ≠ レイテンシグラフ」という前提が観測データからの実証で確認された**: コールグラフ逆向きを真のレイテンシグラフ近似として SVR に使うと、発見したレイテンシグラフを使う SVR より一貫性に欠ける（表2の SVR vs SVR ground truth の比較）。非同期呼び出しはレイテンシに影響しないためグラフから除外されるべきだが、コールグラフ逆向きにはこの除外が含まれない。この知見は分散トレーシングの「明示的な呼び出し依存グラフ」と「実際のレイテンシ因果グラフ」の乖離を定量化した事例である。(Source: [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]]) - **障害注入の既知介入 do(v_root) を使う RCA アノテーション手法は、本概念の第4系統「介入の利用」を運用系メトリクスの ground-truth 構築に応用した実例である**: OpenRCA 2.0([[@2026__arXiv__OpenRCA 2.0 - From Outcome Labels to Causal Process Supervision]])の PAVE パイプラインは、Pearl の階層(do(x) が真の因果性を交絡と切り分けるために不可欠、[8])に依拠し、観測データのみから因果構造を推定する PC アルゴリズム等の制約ベース手法が交絡変数と高次元ノイズに弱く識別可能性の保証を欠くと明示的に批判した上で(§4.2)、既知の介入という「特権情報」を使って構造学習問題を検証問題に変換する。本 concept が整理する PC/FCI・LiNGAM・NOTEARS 系はいずれも純観測データからの構造推定であり、PAVE はこれらとは異なり **ground truth の構築(アノテーション)** に介入データを使う——エージェント自身は依然として観測データのみから後ろ向きに推論しなければならない非対称設計である点が特徴的。(Source: [[@2026__arXiv__OpenRCA 2.0 - From Outcome Labels to Causal Process Supervision]] §4.2, [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]]) - **DirectLiNGAM 系の「逐次的外生変数同定による順序決定」は、アモータイズド因果発見の最新世代（DAG-FM 等）が採用する「順序＋上三角分解」アーキテクチャに、理論的正当化の系譜として再輸入されている**: DirectLiNGAM（Shimizu+ 2011）は ICA に依存せず外生変数を逐次同定して因果順序を確定するが、これは元来カーネルベース独立性検定に基づく統計的手続きである。DAG-FM（Chen+ 2026）は同じ「順序を先に決めて刈り込む」という構造をニューラルネットワークで学習可能な形にアモータイズ化し、葉ノード予測（Amortized Order Identification）と親ノード予測（Amortized Full DAG Pruning）に分解した。両者は独立に発展した手法だが、「まず順序、次に辺」という分解原理を共有する点で、古典的 FCM 手法とアモータイズド基盤モデルの設計思想が収斂していることを示す。(Source: [[@2011__JMLR__DirectLiNGAM - A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model]], [[@2026__arXiv__DAG-FM - A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms]] §4.3) - **二値イベントデータへの二変量 Granger 因果性 + 条件付き独立性トリプレット検定は、連続メトリクスを前提とする本概念の主要系統(PC・LiNGAM・NOTEARS 系)とは異なる離散データ向け実用系統として、800件超の本番インシデントで運用された**: [[@2026__arXiv__Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks]](Chraim, Janzing, Evans, AWS)は、クラウドネットワークのアラーム・ワークフローイベントを1分ビンの二値時系列として扱い、(1) 制限/非制限ロジスティック回帰の尤度比検定による二変量 Granger 因果性、(2) 三変量トリプレット C_past(t)⊥⊥A_t|B_past(t) による間接リンク除去、という2段階で因果グラフを構築する。これは PCMCI+ が連続メトリクスの時間遅れ依存関係を扱う([[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]])のと対照的に、**離散イベントログに対する制約ベース因果発見**の産業スケール実証例であり、KRCA が報告した「メトリクス数増加で PC/Granger の精度が急落する」問題([[@2026__ASE__KRCA - An Efficient Root Cause Analysis System in Hyper-Scale Microservice Systems via Agentic AI]])とは異なる次元削減戦略(自動化オントロジーによる意味的グループ化 + スパティオテンポラルグループ化)で 4,810 変数を 76,595 変数ペアまで削減し、76,595 ペア中 1,681 本(2.19%)の因果エッジを得た。(Source: [[@2026__arXiv__Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks]]) - **因果発見の出力は「最終的な推論対象」に限定されず、下流の時変因果推論を制約する構造事前分布としても再利用できる**: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]（DCNAR）は、ニューラル加法自己回帰因果発見（NAVAR）で得た疎有向グラフ $\hat G$ を、時変ネットワーク自己回帰（tvNAR）の構造事前分布として使う二段階パイプラインを提案した。この設計では、因果スコア行列は「回帰係数や既知サンプリング分布を持つ推定量」ではなく「反証可能な構造仮説」として扱われ、その妥当性は下流の動的挙動（インパルス応答の滑らかさ・反実仮想軌道の安定性）を通じて間接的に検証される。これは本概念が扱う因果発見4系統（制約ベース・スコアベース・構造的非対称性・介入利用）のいずれとも異なる「発見結果の使い道」の軸——**発見そのものが目的か、下流モデルの制約として再利用するか**——を提示する。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) - **非巡回性制約付き因果発見手法（NOTEARS系・LiNGAM系）が、フィードバックループが研究対象そのものである領域では意図的に不採用とされる事例**: DCNAR は DYNOTEARS や time-lagged LiNGAM を明示的に採用しない。理由は、民主主義制度システムでは立法制約→行政行動→選挙健全性→立法構成というフィードバックループ自体が研究対象であり非巡回性の仮定が実質的に不適切であること、また使用データ（V-Dem 専門家コード順序尺度の年次集計）がおおよそガウス的周辺分布を持つため LiNGAM の非ガウス性仮定を正当化しづらいことである。本概念が整理する「制約ベース手法の忠実性仮定」「LiNGAM系の非ガウス性仮定」がいずれも実データで破れうるという既存の横断的知見に、社会科学ドメインでの具体的な不採用理由を追加する事例。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) - **CSE ビジョン論文は因果発見をSEにおける因果モデル構築の3経路の1つとして明示的に位置づける**: [[@2026__FSE__Causal Software Engineering - A Vision and Roadmap]] は、causal design spec や living causal model を構築する方法として「(a) ドメイン知識・要件・設計文書からの専門家による定義」「(b) 他のMLモデルと同様のデータからの学習(=本概念が扱う因果発見)」「(c) ハイブリッドアプローチ」の3経路を挙げる(§2)。これは本概念が既に扱ってきた「ドメイン知識制約による探索空間削減」(RADICE の $\tau_{max}$ 設定・Lohse et al. の5仮定)を、個別手法の設計選択としてではなく、SEワークフロー全体における因果モデル構築の一般的な選択肢の1つとして再定式化するものである。ただし CSE 論文自体は特定の因果発見アルゴリズムを推奨しておらず、本概念が集積してきたアルゴリズムレベルの知見(PC/FCI/LiNGAM/NOTEARS の仮定・スケーラビリティ)との具体的な接続は今後の課題として残る。(Source: [[@2026__FSE__Causal Software Engineering - A Vision and Roadmap]]) - **PC・FCI・GES・LiNGAM の4系統すべてが、SEデータに対して極めて大きい不安定性を示すことが体系的実験で確認された——本概念が個別に蓄積してきた「仮定違反時の失敗事例」を、摂動一般に対する脆さとして統合する**: [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]](Hulse, Eisty, Menzies)は、欠陥予測・ソフトウェア設定・プロジェクト管理の3タスク23データセットに対しPC/FCI/GES/LiNGAMを適用し、(1) リリースi→i+1(RQ1: Jaccard中央値.53前後)、(2) プロジェクト間(RQ2: 約75%のエッジが不一致)、(3) 有意水準αの微小変更(RQ3: α<0.1で急落)、(4) 訓練データの90%サブサンプル(RQ4: 0.25まで低下する例あり)、のいずれの摂動でも過半数の因果エッジが変化することを示した。本概念がこれまで蓄積した「DirectLiNGAM の潜在交絡因子仮定違反」「LiNGAM の非ガウス性仮定の実データでの妥当性」「忠実性仮定の実データでの妥当性」といった**個別の仮定違反事例**を、この論文は「特定の仮定が破れる場合」に限らず「決定論的な同一データ・同一アルゴリズムの微小変更でも不安定になる」というより広い現象として位置づけ直す。Scott-Knott分析ではFCIが最も不安定な生成器の一つとしてランクの下位に多く出現した。(Source: [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]) - **因果グラフ不安定性は SE データ固有の問題ではなく、既存 SE-RCA 文献の「PC/Granger の精度がメトリクス数増加で急落する」という知見と収束する**: KRCA([[@2026__ASE__KRCA - An Efficient Root Cause Analysis System in Hyper-Scale Microservice Systems via Agentic AI]])は異常メトリクス数の増加に伴うPC/Grangerの精度急落を報告しているが、Hulse+ 2025は変数数を固定した上でも(同一データセット内で)リリース間・パラメータ間・サブサンプル間の摂動だけで大きな不安定性が生じることを示した。すなわち「変数数の増加による精度低下」と「決定論的アルゴリズムの微小な入力変化による構造不安定性」は独立した2つの脆さの軸であり、前者は KRCA が対処する次元削減問題、後者は Hulse+ 2025 が指摘する生成器そのものの本質的な不安定性の問題である。(Source: [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]], [[@2026__ASE__KRCA - An Efficient Root Cause Analysis System in Hyper-Scale Microservice Systems via Agentic AI]]) - **Jaccard指数によるグラフ構造比較は、因果発見の「安定性」を測る具体的な評価指標として本概念に新たに追加される**: 既存の横断的知見はGlymour+ 2019やVowels+ 2022が指摘する理論的な識別可能性・仮定の妥当性を主に扱ってきたが、Hulse+ 2025は2グラフ間の共有エッジ数 $J = |E_1 \cap E_2| / |E_1 \cup E_2|$ という単純な指標で不安定性を定量化する具体的な方法論を提供する。これは[[RCA評価設計]]の評価指標体系に「生成された因果グラフそのものの再現性」という軸を追加する材料になりうる。(Source: [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]) - **PCMCI が RCA の特徴量選択・スコアリング(既存知見)を超え、LLM ベース障害予測の伝播チェーン生成そのものを制約する「生成的な足場」として使われる産業事例が登場した**: 本概念は PCMCI+ をマイクロサービスのレイテンシグラフ発見手法として蓄積してきたが([[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]])、[[@2026__ISSRE__ChainCraft - Bridging Causal Discovery and LLM Reasoning for Failure Prediction in Microservices]](ChainCraft)は PCMCI(Runge+ 2019)で異常メトリクス間の因果グラフ `G=(V,E)`(ラグ `τ_uv`・因果強度 `ρ_uv` 付き)を構築し、この因果グラフを LLM(Chain Builder)が伝播チェーンを生成する際の直接的な制約として使う。アブレーションで PCMCI 除去(C1、LLM が直接伝播チェーンを生成)は最大の性能低下(DeepSeek-V4 で F1 0.845→0.729、Recall も顕著に低下)を示し、因果発見の出力が下流の**生成**タスクを制約する足場として機能することを定量的に裏づけた。[[動的因果推論]]が因果発見の出力を「下流の時変因果推論の構造事前分布」として再利用する事例を扱ってきたのと同様、ChainCraft は「下流の LLM 生成タスクの制約」という別の再利用形態を示す。(Source: [[@2026__ISSRE__ChainCraft - Bridging Causal Discovery and LLM Reasoning for Failure Prediction in Microservices]], [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]]) - **Vowels+2022 第2章が命名する仮定の体系(因果マルコフ条件・非巡回性・d忠実性・因果的十分性・識別可能性のための関数形制約)は、本概念が個別に蓄積してきた仮定違反事例を単一の枠組みに位置づけ直す**: DirectLiNGAM が社会学データで示した誤推定は「因果的十分性」(§2.5: 未観測交絡因子が存在しないという仮定)の違反であり、Hulse+2025 が実証した摂動不安定性は「d忠実性」(§2.3: 同時分布の条件付き独立性がグラフのd分離に反映されるという仮定)が実データで近似的にしか成立しないことの経験的帰結として整理できる。特にd忠実性は「2つの経路の影響が打ち消し合う」場合に破れると明記されており(§2.3)、これは制約ベース手法(PC・FCI)の条件付き独立性検定が真の従属関係を誤って独立と判定する典型的な失敗モードに対応する。本概念がこれまで並べてきた「仮定が何のために置かれ、何が壊れると失敗するか」を、Vowels+2022 第2章は初めて名前付きの仮定リストとして体系化した。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 2 Background - Definitions and Assumptions]] §2.3, §2.5, [[@2011__JMLR__DirectLiNGAM - A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model]], [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]) - **OpenRCA 2.0(PAVE)が PC 等の制約ベース手法を「交絡変数に弱く識別可能性の保証を欠く」と批判した箇所(§4.2)は、Vowels+2022 第2章が定義する因果的十分性(§2.5)と識別可能性のための関数形制約(§2.4 脚注2)への違反として形式的に裏づけられる**。Chapter 2 はさらに、因果的十分性が破れた場合の代替表現として ADMG・MAG・PAG を定義し(§2.6-2.7)、d分離を m 分離、d忠実性を m 忠実性へ拡張する枠組みを用意しているが、本概念がこれまで蓄積してきたマイクロサービス RCA 手法(PC・PCMCI+・Granger・LiNGAM)のいずれも、これら未観測交絡・選択バイアス耐性のグラフ表現(ADMG/MAG/PAG)へ移行した事例は確認されていない。理論が用意する交絡耐性表現と、観測データのみに頼る産業応用との間には理論-実践ギャップが存在する。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 2 Background - Definitions and Assumptions]] §2.5-2.7, [[@2026__arXiv__OpenRCA 2.0 - From Outcome Labels to Causal Process Supervision]] §4.2) - **組合せ探索系の手法(制約ベース・スコアベース・サンプリングベース)は、DAG空間の超指数爆発そのものを縮小するのではなく、探索の進め方を制約することで扱う——3つの異なる「爆発の回避戦略」を持つ点が、Vowels+2022 第3・4章とLohse et al. 2025の産業実装を突き合わせて初めて明確になる**: Vowels+2022 第3章は10変数で$4\times10^{18}$を超えるDAG数([188])とNP困難性([33])を明示し(§3、§4)、第4章のTable1は71手法を制約ベース26件・スコアベース29件・サンプリングベース4件・非対称性ベース7件・ハイブリッド2件に分類する。制約ベース(PC等)は条件付き独立性検定で辺を逐次的に削除しMEC(CPDAG/PAG)まで縮約する「削減型」、スコアベース(GES等)はスコア関数 $S(D,G)$ の下でグラフ空間を局所探索する「最適化型」(式4)、サンプリングベース(Order-MCMC等)は変数順序空間を事後分布からサンプリングする「近似型」であり、いずれも全DAGの網羅列挙を回避する点で共通する。この理論的な3分類に対し、Lohse et al. 2025 のPCMCI+はドメイン知識由来の5仮定(呼び出し方向の制約等)を制約ベース探索に組み込むことで全変数の組み合わせチェックを省き、実行時間37秒という具体的な回避効果を産業データで実証した——理論的分類(削減型/最適化型/近似型)のうち「削減型」の探索空間圧縮が、実務ではドメイン知識の明示的エンコードという形で最も直接的に活用されていることを示す。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 3 Structure Discovery Methods]], [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 4 Combinatoric and Search Based Approaches]], [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]]) - **Vowels+2022 第6章の「因果の跳躍(Causal Leap)」批判——因果マルコフ条件(CMC)は矢印を有向因果依存関係と解釈する大胆な追加解釈にすぎないという指摘——は、Soldani+2021 第4.3.3節がカタログ化する Causality Graph-based RCA 手法群(CauseInfer・Microscope・CloudRanger・MS-Rank・AutoMAP・MicroCause・FacGraph 等)に直接当てはまる**: これらの手法はいずれも監視 KPI 間の条件付き独立性検定(PC アルゴリズム、$G^2$ cross-entropy または $d$-separation)のみでサービス間・KPI 間の「因果グラフ」を構築し、介入データや識別可能性の検証を経ずにその出力を無批判に「因果的(causal)」と呼ぶ。これは Vowels+2022 第6章が「介入データや厳密な同定可能性ではなく条件付き独立性のみに依拠する構造発見手法のうち、いったいどれほどが無批判に自らを因果的と称しているか観察するのは興味深い」と述べて名指しする状況そのものであり、本概念が既に整理してきた「PC アルゴリズムに基づく制約ベース RCA」という実務上支配的な設計(§因果推論ベースRCA)が、この哲学的批判の具体的な適用対象であることを裏づける。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 6 Summary and Discussion]] §6.2, [[@2021__CSUR__Anomaly Detection and Failure Root Cause Analysis in (Micro)Service-Based Cloud Applications - A Survey - Chapter 4.3 Monitoring-based Root Cause Analysis Techniques]] §4.3.3) - **非巡回性制約を連続緩和した NO TEARS 系譜(NO TEARS→DAG-GNN→GAE→GranDAG)は、識別可能性の議論を体系的に欠いたまま拡張された——この空白は、後続世代のアモータイズド因果発見が事前分布空間の設計時点で識別可能性を保証する設計へと反転させる形で埋められた**: MaskedNN(Vowels+2022 第5章 §5.24)は NO TEARS→DAG-GNN→GAE→GranDAG という非巡回性制約の拡張系譜を振り返り、いずれの手法も識別可能性(identifiability)について詳細な議論を欠くと明示的に指摘する。これは、非巡回性を微分可能な等式制約 $h(A)=0$ へ置き換えたことで DAG 空間の超指数爆発という組合せ探索の限界は回避できた一方、「得られた解が真の DAG である保証」という理論的な問いが後回しにされたことを意味する。対照的に、アモータイズド因果発見の DAG-FM(Chen+2026)は、事前分布空間を LiNGAM・ANM・HNM・PNL の4族に限定する Assumption 4.3 のもとで posterior が almost surely に真の DAG へ収束することを理論的に証明する(Theorem 4.5)。両者は約6年の時間差を挟むが、「連続最適化の緩和がまず実用スケーラビリティを獲得し、識別可能性の理論的保証はより後の世代の設計原則として回帰する」という因果発見の発展パターンを示す。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 5 Continuous Optimization Based Approaches]] §5.24, [[@2026__arXiv__DAG-FM - A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms]] §4.1) - **連続最適化系譜における「ハード制約からソフト制約への転換」は、Vowels+2022 第2章が体系化した仮定リストにはない、非巡回性制約の連続緩和それ自体に固有の新しい不確実性を持ち込む**: 第2章(§2.3, §2.5)が定義する仮定(d忠実性・因果的十分性)は、条件付き独立性検定に基づく制約ベース手法(PC・FCI)が実データで違反されうる前提条件であり、違反すれば誤った辺が推定される。一方、第5章の連続最適化系譜では、NO FEARS(§5.12)が NO TEARS の制約 $h(A)=0$ に対する拡張ラグランジアン最適化が実行可能解へ収束する保証がないことを理論的に示し、GOLEM(§5.13)はさらに一歩進めて、線形ガウス・忠実性の仮定下では厳密な非巡回性制約自体が不要でソフトなペナルティで十分であると主張する。この結果、連続最適化系の出力は PC/FCI が返す CPDAG のように「非巡回性を満たすグラフ表現であることが構造的に保証された出力」ではなく、「非巡回性を近似的にしか満たさないため事後的な閾値処理を要する出力」となる(LEAST を含むほぼ全手法が共有する性質)。これは組合せ手法の仮定違反(忠実性・十分性の破れ)とは異なる、連続緩和それ自体が持ち込む新しい不確実性の源泉である。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 5 Continuous Optimization Based Approaches]] §5.12, §5.13, [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 2 Background - Definitions and Assumptions]] §2.3, §2.5) ## 未解決の問い - **事後的な辺の閾値処理(post-hoc edge thresholding)が連続最適化系のほぼ全手法(NO TEARS・DAG-GNN・GAE・DYNOTEARS・GOLEM・LEAST 等)で必要とされるが、この閾値処理が Hulse+2025 が実証した因果グラフの摂動不安定性とどう相互作用するかは未検証**: Vowels+2022 第5章が挙げる連続最適化手法の多くは $h(A)\approx0$(非ゼロだが小さい)を事後的に閾値処理して初めて有効な DAG を得る。Hulse+2025 は制約ベース・スコアベース・LiNGAM の4生成器についてリリース間・パラメータ間・サブサンプル間の摂動でグラフ構造が不安定になることを示したが、評価対象に連続最適化系(NO TEARS 系)は含まれていない。閾値の選び方自体が別の調整可能パラメータであり、連続最適化系がこの種の摂動に対して制約ベース手法と同程度かそれ以上に不安定である可能性は、本概念のいずれのソースでも直接検証されていない。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 5 Continuous Optimization Based Approaches]], [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]) - **マイクロサービス・クラウド RCA の因果発見はほぼ全て DAG/CPDAG の枠組みに留まり、Vowels+2022 第2章が定義する ADMG/MAG/PAG(未観測交絡・選択バイアス耐性表現)を採用した産業事例は本概念のいずれのソースにも見当たらない**: 運用系メトリクスは未計装コンポーネントによる未観測交絡因子を頻繁に含むと想定されるにもかかわらず、なぜ MAG/PAG ベースの手法が実務で使われないのか(計算コストの問題か、実装ツールの欠如か、単に認知されていないか)は未検証。因果的十分性の仮定がマイクロサービス RCA でどの程度暗黙に置かれ、どの程度検証されずに見過ごされているかも、本概念が蓄積してきたいずれのソースでも直接論じられていない。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 2 Background - Definitions and Assumptions]] §2.5-2.7) - **ChainCraft の PCMCI 因果グラフ(`τ_max=3`・`α=0.05`)が、本概念が蓄積してきた因果グラフの不安定性([[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]] の摂動不安定性)にどこまで晒されているかは未検証**: ChainCraft は 3 か月間の Alibaba 本番デプロイで OCE 確認精度 80.8% を報告するが、これは PCMCI が生成する因果グラフ自体の再現性・安定性を直接評価したものではない。Hulse+ 2025 が示した「リリース間・パラメータ間・サブサンプル間の摂動で因果エッジの過半数が変化する」という知見が、ChainCraft のような因果制約付き LLM 生成パイプラインの下流(伝播チェーンの一貫性)にどこまで伝播するかは、本概念のいずれの既存ソースでも直接確認されていない。(Source: [[@2026__ISSRE__ChainCraft - Bridging Causal Discovery and LLM Reasoning for Failure Prediction in Microservices]], [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]) - **CSE が課題として名指ししていた「進化のもとで安定な因果グラフ」問題の原典が判明した——ただし解決策はまだ提示されていない**: [[Causal Software Engineering]]の初出ソースはRoute 1の課題としてHulse et al.(Empirical Software Engineering 2025)を引用するのみだったが、本 ingest でその原典[[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]の内容が判明した。同論文は不安定性の**測定**(4種の摂動×4生成器×3タスク)には成功したが、**改善策**は「生成器とデータ特性のマッチング」という予備的結果に留まり未公開(§5 Discussion)。CSE のRoute 1(因果的可観測性)が要求する「進化のもとで安定な因果グラフ」を達成する具体的手法は、本概念のいずれの既存知見にも見当たらず、未解決のまま。(Source: [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]]) - **因果グラフ不安定性はマイクロサービス RCA の因果発見手法(PCMCI+・RADICE 等)にどこまで当てはまるか未検証**: Hulse+ 2025 の実験対象は欠陥予測・ソフトウェア設定・プロジェクト管理の3タスクであり、マイクロサービスのメトリクス時系列データ(PCMCI+ が対象とする領域)は扱っていない。[[因果推論ベースRCA]]で蓄積されているPCMCI+・RADICE・KRCA等の産業事例が、Hulse+ 2025 と同様のリリース間・パラメータ間・サブサンプル間の不安定性を持つかどうかは、追試されるまで不明である。 - **有意水準αの脆さ(α<0.1での急落)はPC/FCI固有かGES/LiNGAMにも一般化するか未検証**: Hulse+ 2025 はRQ3を「調整可能なαパラメータを持つ」PC・FCIに限定しており(Table 7でGES・LiNGAMはN/A)、スコアベース(GES)や非ガウス性ベース(LiNGAM)の生成器が持つ別のチューニングパラメータ(BIC のペナルティ項、ICA の収束閾値等)についても同様の急激な相転移が起きるかは未確認。 - **二値イベント因果発見と連続メトリクス因果発見のどちらがネットワーク RCA に適するか未比較**: [[@2026__arXiv__Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks]] は二値アラームデータのみで因果グラフを構築するが、同じネットワークインシデントに対して連続メトリクス(帯域・遅延・パケットロス率等)ベースの PC/PCMCI+ を適用した場合との精度比較は行われていない。二値化による情報損失と、連続データが要求する正規性・線形性仮定のどちらが実用上のボトルネックとして支配的かは未解決。(Source: [[@2026__arXiv__Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks]]) - **制約ベース手法と FCM ベース手法の実用的な組み合わせ方**: Glymour+ 2019 は両者の補完関係を指摘し、非線形 FCM で MEC 内の未方向辺を解消する手法（Zhang & Hyvärinen 2009b）に言及するが、大規模データへの体系的な組み合わせパイプラインは未確立。[[因果推論ベースRCA]] では PC + Granger + LiNGAM が個別に使われるが、段階的組み合わせの体系的評価はない - **忠実性仮定の実データでの妥当性**: 忠実性仮定が成立しない場合（ほぼ忠実性の違反）の系統的対処法は研究途上。Glymour+ 2019 は「パラメータ値の選択にコンセンサスがない」と述べるのみ - **前処理が因果発見を破壊する経路の体系化**: fMRI のハイパスフィルタが非ガウス性を除去し LiNGAM 系を無力化する事例が報告されているが、マイクロサービスメトリクスの正規化・平滑化・集約が因果探索に与える影響の体系的評価は未着手。[[因果推論ベースRCA]] の「入力設計がアルゴリズム選択より先に考慮されるべき」という横断的知見と接続する - **時間集約バイアスの定量的影響**: グレンジャー因果性が時間集約・サブサンプリングに敏感であることは示されたが、集約水準（秒→分→時間）と因果方向推定精度の定量的関係は分野ごとに異なり、統一的なガイドラインは存在しない - **NOTEARS 以降の勾配ベース因果発見のさらなる発展**: Vowels+ 2022 は 2020 年までの連続最適化手法（NOTEARS・DAG-GNN・GranDAG・GOLEM・LEAST 等約30件）を整理したが、2021 年以降の手法（DAGMA・DECI・CausalNex 等）、因果表現学習の潮流、LLM を用いた因果発見との統合は未整理 - **離散変数の因果発見**: 離散ケースでは FCM の関数クラスが未知だと方向同定が困難。変数のカーディナリティが小さいほど情報が失われる。連続変数の離散化は有効標本サイズを大幅に減少させる - **DirectLiNGAM のカーネルベース独立性測度のスケーラビリティ改善**: DirectLiNGAM の計算ボトルネックはカーネルベースの相互情報量推定（Bach and Jordan 2002）にあり、$p = 100$ で約20時間の CPU 時間を要する。より効率的な独立性測度（HSIC 等）への置き換えや、独立性検定の階層的省略による高速化の可能性がある - **LiNGAM 系手法における潜在交絡因子の検出と対処**: DirectLiNGAM は潜在交絡因子の不在を仮定するが、社会学データの実験でこの仮定違反が誤った因果辺の推定につながった。Hoyer ら（2008）の隠れ変数を含む拡張や、モデル仮定の違反を検知する統計的検定の実用的な性能評価が未着手 - **アモータイズド因果発見（因果発見基盤モデル）と古典的因果発見手法の使い分け基準**: DAG-FM 等のアモータイズド手法は事前分布空間の設計次第で理論的識別可能性保証を持つが、実世界ベンチマークは低次元（$d \le 38$）に限られる。マイクロサービス規模（数百メトリクス）でのアモータイズド手法の妥当性、および PCMCI+ 等のドメイン知識制約手法との比較は未検証。詳細は [[アモータイズド因果発見]] の「未解決の問い」を参照 - **マイクロサービスのレイテンシ因果発見において「同時効果」と「時間遅れ効果」の両方を捉える必要性が実証された**: PCMCI+ は PC の同時効果処理と時間遅れ依存関係の両方に対応する。Robot Shop の実験では最大ラグ $\tau=3$（3分後までの因果依存）が自己相関プロットから決定された。時系列データを PC ではなく PCMCI+ で処理したことで辺の向き推定精度が改善した（エンドポイントレベルで PC とほぼ同等の再現率を保ちつつ辺方向を改善）。純粋な同時性のみを前提とする手法（通常の PC + 非時系列データ）と、遅延効果を考慮する PCMCI+ の差が、マイクロサービスの実データで確認された。(Source: [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]], [[@2020__IWQoS__Localizing Failure Root Causes in a Microservice through Causality Inference]]) - **時系列統計からの因果発見は「メトリクス数が増えると精度が急落する」という限界が実本番データで定量化された**: KRCA([[@2026__ASE__KRCA - An Efficient Root Cause Analysis System in Hyper-Scale Microservice Systems via Agentic AI]])の実証研究は、PC 法と Granger 因果アルゴリズムを快手本番インシデントに適用し、異常メトリクス数が5の時点で精度50%、20に増えると20%以下に急落することを確認した。この知見は [[@2024__ASE__Root Cause Analysis for Microservices based on Causal Inference - How Far Are We]](Pham+ ASE 2024)の「PC/Granger を含む多くの手法が Dummy を超えない」という観察と独立に収束する。また KRCA が採用した「スケルトングラフ」は、時系列統計ではなく**メトリクス名の意味情報と運用知識**から因果辺を事前確定するという設計であり、「辺方向推定がボトルネック」という因果発見の構造的問題への異なるアプローチとして位置づけられる。具体的には4種のメタメトリクス型(E→I/D/K、I→K/D、D→K)という方向性制約を業務知識から導き、時系列データは因果グラフの構造推定には使わず異常検知と因果リンク検証のみに使う。(Source: [[@2026__ASE__KRCA - An Efficient Root Cause Analysis System in Hyper-Scale Microservice Systems via Agentic AI]] §2.2, §3.3, Fig.2(b); [[@2024__ASE__Root Cause Analysis for Microservices based on Causal Inference - How Far Are We]]) - **PCMCI+ の産業応用で「業務知識による $\tau_{max}$ の縛り」が因果発見品質を左右する**: RADICE の実広告システム事例では、1 時間サンプリングに対し $\tau_{max} = 1$ を設定し、maxShift = 1・maxWidth = 2 もこれに揃えている。この設定は「2 時間前のメトリクス変化が現在の性能指標の原因になることはない」という業務上の知識を明示的にエンコードしたものである。時間集約バイアス（グレンジャー因果性の感度問題）と接続する問題であり、サンプリング間隔に応じた $\tau_{max}$ 選択の実用的ガイドラインが RADICE の事例から示された。(Source: [[@2025__arXiv__RADICE - Causal Graph Based Root Cause Analysis for System Performance Diagnostic]]) - **エントロピーベース方向付けは制約ベース因果発見の「無向辺問題」への産業実装事例を提供した**: 制約ベース手法（PC・PCMCI+）が返す無向辺（同時因果関係の方向不明）に対し、RADICE はエントロピー因果推論（Kocaoglu+ AAAI 2017）を組み込み、ノイズ分布のエントロピーが低い側を原因とする方向付けスコアを計算する。ただしスコアが低い場合はエッジを破棄するフォールバックが必要であり、この閾値がドメイン依存で未解決である。Glymour+ 2019 が「FCM ベース手法が MEC 内の無向辺を解消できる」と述べた理論的提言の産業的実装例として位置づけられる。(Source: [[@2025__arXiv__RADICE - Causal Graph Based Root Cause Analysis for System Performance Diagnostic]], [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]]) - **Table1(Vowels+2022 第4章)が示す「制約ベース・スコアベースへの著しい偏り(26件・29件 対 サンプリングベース4件)」の理由は本概念のいずれのソースでも説明されていない**: 探索空間の扱い方として、順序集合を事後分布からサンプリングする「近似型」(Order-MCMC等)が、辺削除の「削減型」(制約ベース)やスコア最適化の「最適化型」(スコアベース)に比べ研究・実務のいずれでも選ばれにくい理由(計算コストか、理論的保証の弱さか、実装ツールの欠如か)は未検証。マイクロサービスRCA分野で本概念が蓄積した実証例(PCMCI+・RADICE・KRCA)はいずれも制約ベースの拡張であり、サンプリングベースや非対称性ベース(LiNGAM除く)の産業応用事例は本概念にまだ存在しない。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 4 Combinatoric and Search Based Approaches]]) - **組合せ探索系の「削減型・最適化型・近似型」という回避戦略の分類が、連続最適化パラダイム(NOTEARS等)への移行後にどこまで意味を持ち続けるかは未整理**: 第3・4章はNP困難性を連続最適化アプローチへの移行の直接的動機として位置づけるが(§4)、連続最適化手法は非巡回性制約を微分可能な形に緩和するため、組合せ探索系が内部で使い分けてきた「削減/最適化/近似」という区別自体が連続最適化側でどう再解釈されるか(例えば勾配法による局所探索は「最適化型」の連続版と言えるか)は、本概念のいずれのソースでも明示的に論じられていない。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 4 Combinatoric and Search Based Approaches]]) - **非意味論的・高次元データ(動画・画像)から構造化された意味表現を学習する連続最適化手法は、本概念が蓄積してきたマイクロサービス・クラウド RCA 事例のいずれにも存在しない**: Vowels+2022 第6章は、動画・画像のような非意味論的・高次元データから構造化表現を学習する連続最適化アプローチが CausalVAE・DEAR 等の例外を除き手薄であると指摘する(§6.1)。本概念がこれまで蓄積してきた産業応用(PCMCI+・RADICE・KRCA・ChainCraft 等)はいずれも構造化された時系列メトリクスを入力とし、トレース画面・トポロジ図・ログの生テキストのような非意味論的・高次元データから直接因果構造を学習する事例は見当たらない。観測可能性データのマルチモーダル化(トレース可視化・ダッシュボード画像等)が進めばこの手薄さがどの程度問題になるかは未検証。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 6 Summary and Discussion]] §6.1) - **強化学習への因果的視点の適用は、本概念が扱う因果発見のいずれの系統でもまだ接続されていない**: Vowels+2022 第6章は、学習エージェントと環境の相互作用を扱う強化学習分野が因果的視点の採用に relatively slow であり、Ashton (2020) が代表的な強化学習の教科書に因果性への明示的言及がないことを指摘したと紹介する(§6.1)。本概念が蓄積してきたマイクロサービス障害予測・RCA 手法(ChainCraft・KRCA 等)はいずれも教師あり・観測ベースであり、強化学習エージェントが因果発見の出力を行動選択に用いる、あるいは逆に強化学習の探索過程自体が因果構造の発見に使われる事例は未確認。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 6 Summary and Discussion]] §6.1) - **未観測交絡・循環に対応する連続最適化アプローチが組合せ的手法に比べて相対的に少ないという Vowels+2022 の指摘は、マイクロサービス RCA の時系列因果発見(PCMCI+・DYNOTEARS 等)にどこまで当てはまるか未検証**: Vowels+2022 第6章は、未観測交絡・循環に対応する組合せ的手法(CCD・backshift・CCI 等)は複数存在するのに対し、相当する連続最適化アプローチは相対的に少ないと述べ、時間変化する実世界現象と循環の可能性への対応を今後の機会として挙げる(§6.1)。本概念のマイクロサービス RCA 事例のうち、DCNAR は DYNOTEARS を意図的に不採用としており(フィードバックループが研究対象そのものであるため)、この手薄さの具体例と解釈できる。マイクロサービスの障害伝播にはリトライ・サーキットブレーカー等に由来する循環的な因果関係が実在すると想定されるが、これに対応する連続最適化ベースの因果発見手法が産業応用された事例は本概念にまだない。(Source: [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 6 Summary and Discussion]] §6.1, [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) ## 関連 - [[障害予測]] — PCMCI の因果グラフが LLM ベース障害予測の伝播チェーン生成を制約する足場として使われる応用分野。[[@2026__ISSRE__ChainCraft - Bridging Causal Discovery and LLM Reasoning for Failure Prediction in Microservices]] - [[アモータイズド因果発見]] — 事前学習された基盤モデルで因果グラフを推論する第5系統。本概念の理論的識別可能性条件（FCM の4族）を事前分布空間の設計に応用する - [[因果推論ベースRCA]] — 因果発見アルゴリズム（PC・FCI・Granger・LiNGAM・GES）をマイクロサービス RCA に適用する分野。本概念はその基礎理論 - [[根本原因分析]] — 障害原因特定の上位概念。因果発見はその統計的手法基盤 - [[異常検知]] — 因果発見パイプラインの前処理として組み合わされることが多い - [[グラフベースRCA]] — 発見した因果グラフをスコアリング/伝播に使う応用分野 - [[動的因果推論]] — 因果発見の出力を時変因果推論の構造事前分布として再利用する応用分野 - [[Causal Software Engineering]] — 因果発見をSEにおける因果モデル構築の3経路(専門家定義・データ学習・ハイブリッド)の1つとして位置づける上位ビジョン。Route 1課題「進化のもとで安定な因果グラフ」の原典が[[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]] - `structures/` 参照: 因果推論に関連する MOC があれば一方向リンクで接続 - **未解決の問い(マイクロサービスへの適用)**: PCMCI+ の「再現率優先・適合率低め」という性質は因果グラフを特徴量選択に使う場合は許容されるが、RCA の根本原因同定に使う場合（偽陽性の因果辺がスコアリングに混入する）は問題となりうる。マイクロサービスのレイテンシ因果グラフ発見において「再現率と適合率のどちらをトレードオフすべきか」の設計ガイドラインが未確立。(Source: [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]]) ## 出典 - [[@2026__ISSRE__ChainCraft - Bridging Causal Discovery and LLM Reasoning for Failure Prediction in Microservices]](Zhao, Sun ほか — PCMCI 因果グラフを LLM ベース障害予測の伝播チェーン生成の制約として使う産業応用。アブレーションで PCMCI 除去が最大の性能低下をもたらすことを実証) - [[@2019__Frontiers in Genetics__Review of Causal Discovery Methods Based on Graphical Models]]（Glymour, Zhang, Spirtes — 30年間の因果発見手法を3系統に体系化するレビュー） - [[D'ya like DAGs]]（Vowels, Camgoz, Bowden — 連続最適化ベース手法約30件を初めて体系化。組合せ手法約60件との横断比較。「因果の跳躍」への哲学的批判） - [[@2011__JMLR__DirectLiNGAM - A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model]]（Shimizu, Inazumi, Sogawa, Hyvärinen ほか — LiNGAM の直接推定法。ICA に依存せず外生変数を逐次同定し、固定ステップ数での収束を保証。事前知識の体系的組み込みを実現） - [[@2025__AAAI Workshop AICT__Causal Discovery for Cloud Microservice Architectures]]（Lohse, Tsutsumi, Ba, Harsha, Subramanian, Straesser, Ruffini — PCMCI+ + ドメイン知識制約の2段階因果発見でマイクロサービスレイテンシグラフを観測データのみから発見した初の実証研究） - [[@2026__arXiv__DAG-FM - A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms]]（Chen, Guan, Qian, Cui, Yang, Kuang — 異種因果メカニズム下で識別可能な DAG を保証する因果発見基盤モデル。第5系統「アモータイズド因果発見」を本概念に追加） - [[@2026__arXiv__Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks]]（Chraim, Janzing, Evans, AWS — 二値イベントデータへの二変量 Granger 因果性 + 条件付き独立性トリプレット検定。オントロジー的次元削減で 4,810 変数を実用スケールへ圧縮した産業事例） - [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]（Zaytsev, Kuskova, Coppedge — ニューラル加法自己回帰因果発見（NAVAR）を時変ネットワーク自己回帰の構造事前分布として再利用する二段階フレームワーク DCNAR。因果発見の出力を「発見結果」ではなく「下流動的推論の制約」として使う応用事例を[[動的因果推論]]に追加） - [[@2026__FSE__Causal Software Engineering - A Vision and Roadmap]](Pietrantuono, Giamattei, Russo, Siebert, Walkinshaw — FSE Companion '26。因果発見を causal design spec 構築の3経路の1つとして位置づけるビジョン論文) - [[@2025__EMSE__Shaky structures - The wobbly world of causal graphs in software analytics]](Hulse, Eisty, Menzies — PC/FCI/GES/LiNGAMの4生成器がSEデータ23件に対してリリース間・プロジェクト間・パラメータ変更・サブサンプルのいずれの摂動でも過半数の因果エッジを変化させることを実証。Jaccard指数による不安定性の定量的評価方法論を提供) - [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 1 Introduction]](Vowels, Camgoz, Bowden — 観測データからの因果発見が求められる背景と、本サーベイの構成を示す導入章) - [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 2 Background - Definitions and Assumptions]](Vowels, Camgoz, Bowden — 因果マルコフ条件・非巡回性・d分離・d忠実性・因果的十分性・識別可能性のための関数形制約という仮定の体系を初めて名前付きで定義し、ADMG・MAG・PAG による未観測交絡・選択バイアス耐性表現を整理した章) - [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 3 Structure Discovery Methods]](Vowels, Camgoz, Bowden — 制約ベース・スコアベース・構造的非対称性・介入の利用という4系統のtaxonomyを導入し、DAG空間の超指数爆発とNP困難性を明示した章) - [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 4 Combinatoric and Search Based Approaches]](Vowels, Camgoz, Bowden — 連続最適化を用いない構造発見手法71件をTable1で一覧し、制約・スコア・サンプリング・非対称性・ハイブリッドの5類型に分類した章) - [[@2022__CSUR__D'ya Like DAGs - A Survey on Structure Learning and Causal Discovery - Chapter 6 Summary and Discussion]](Vowels, Camgoz, Bowden — サーベイの結び。連続最適化パラダイムの今後の機会(高次元・非意味論的データ、強化学習、未観測交絡/循環)を整理し、「因果の跳躍」——因果マルコフ条件は矢印を因果的に解釈する大胆な追加解釈にすぎないという批判——でサーベイ全体を締めくくる章)