[发明专利]信息处理设备、信息处理方法以及程序

说明书

对相关申请的交叉引用

本申请要求2013年5月21日提出的日本优先权专利申请JP2013-106909的优先权，该申请的内容以引用的方式并入本文中。

技术领域

本技术涉及信息处理设备、信息处理方法以及程序。具体而言，本技术涉及能够估计多个变量之间的因果关系的信息处理设备、信息处理方法以及程序。

背景技术

在相关技术中，从对多元随机变量的观测数据来估计统计因果关系大致分类为：基于信息量基准，作为分数，最大化估计的结果的方法，最大处罚似然率方法，或贝叶斯方法(下文简称为第一估计方法)，以及通过对于变量之间的有条件的独立性的统计测试来执行估计的方法(下文简称为第二估计方法)。为了结果的可读性，变量之间的因果关系通常被表示为图形模型(非循环模型)。

图1示出了表示变量X和变量Y之间的因果关系的三个图形模型的示例。

在图1的上半部所示出的图形模型中，变量X和变量Y之间的因果关系不清楚，而变量X和变量Y充当通过没有方向的边(无向边)彼此连接的顶点。在图1的中部所示出的图形模型中，变量X和变量Y之间的因果关系是，变量X对应于原因，变量Y对应于结果，而变量X和变量Y充当通过表示从原因到结果的方向的边(有向边)彼此连接的顶点。在图1的下半部所示出的图形模型中，变量X和变量Y充当通过三个变量和连接变量的边彼此连接的顶点。在图1的下半部所示出的图形模型中，三个变量和连接变量的边构成变量X和变量Y之间的路径，而路径可以部分地包括表示方向的有向边。

然而，第二估计方法可能可以估计潜在的共同的原因变量的存在，在例如下面的文档中公开了其算法：P.Spirtes、C.Meek和T.Richardson所著的“Causal Inference in the Presence of Latent Variables and Selection Bias”，Proceedings of Conference on Uncertainty in Artificial Intelligence,pp.499-506,1995；P.Spirtes、T.Richardson和C.Meek所著的“Heuristic Greedy Search Algorithms for Latent Variable Models”，Proceedings of International Workshop on Artificial Intelligence and Statistics,pp.481-488,1996；P.Spirtes、C.Glymour和R.Scheines“Causation,Prediction,and Search”，MIT Press,second edition,2000；等等。由此表达的模型叫做混合祖先图等等(参见P.Spirtes、T.Richardson和C.Meek所著“Heuristic Greedy Search Algorithms for Latent Variable Models”，Proceedings of International Workshop on Artificial Intelligence and Statistics,pp.481-488,1996)。

在第二估计方法中，通常要使用的随机变量被设置为是离散值的类别数据(类别变量)以及是连续值的数值数据(数值变量)中的任何一个。例如，当随机变量是类别变量时，因果关系被建模为贝叶斯网络模型。可另选地，当随机变量是数值变量时，因果关系被建模为结构方程模型(参见P.Spirtes、C.Glymour，以及R.Scheines所著的“Causation、Prediction，and Search”，MIT Press，第二版，2000)。