GAN（Generative Adversarial Network）を用いた因果探索の実装
GAN（Generative Adversarial Network）を用いた因果探索の実装
コードの目的
- 因果構造データの生成 サンプルデータには、X1 -> X2 -> X3 の因果構造を仮定しています。
- GANを使用したデータ生成 GANで生成したデータが、元の因果構造をどの程度再現できるか確認します。
- DAGの描画 真の因果構造（DAG）を視覚化。
背景
- GANを用いる因果探索では、生成モデルがデータの分布を再現し、それを基に因果構造を明らかにするアプローチが採られます。
- 生成されたデータを更に解析することで、新たな因果関係の発見や因果ネットワークの推定が可能です。
このコードは基礎的な例で、実際の応用では、生成データと実データ間の因果一致をさらに詳しく評価する必要があります。
引用アドレス https://deus-ex-machina-ism.com/?p=52535&=1
GAN（Generative Adversarial Network）を用いた因果探索の実装は、生成モデルと因果関係推定の組み合わせを活用する高度なアプローチです。以下に、シンプルなGANを利用して因果構造の学習を行う例を示します。この例では、因果構造を暗黙的に学習し、生成されるデータを基に解析します。
コード例 GANで因果探索
以下は、GANを活用して因果グラフを推定する簡単な例です。
python
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers
import networkx as nx
import matplotlib.pyplot as plt
# データ生成（因果構造に基づくサンプルデータ）
def generate_data(n_samples):
x1 = np.random.uniform(-1, 1,
n_samples)
x2 = 2 * x1 +
np.random.normal(scale=0.1, size=n_samples)
# x1 -> x2
x3 = 0.5 * x1 - 0.5 * x2 +
np.random.normal(scale=0.1, size=n_samples)
# x1, x2 -> x3
data = np.column_stack([x1,
x2, x3])
return data
n_samples = 1000
data = generate_data(n_samples)
# GANのGeneratorの構築
def build_generator(input_dim, output_dim):
model = tf.keras.Sequential([
layers.Input(shape=(input_dim,)),
layers.Dense(64,
activation="relu"),
layers.Dense(output_dim)
])
return model
# GANのDiscriminatorの構築
def build_discriminator(input_dim):
model = tf.keras.Sequential([
layers.Input(shape=(input_dim,)),
layers.Dense(64,
activation="relu"),
layers.Dense(1,
activation="sigmoid")
])
return model
# モデル構築
input_dim = data.shape[1]
generator = build_generator(input_dim, input_dim)
discriminator = build_discriminator(input_dim)
# GANのトレーニング設定
discriminator.compile(optimizer="adam",
loss="binary_crossentropy")
gan = tf.keras.Sequential([generator, discriminator])
discriminator.trainable = False
gan.compile(optimizer="adam",
loss="binary_crossentropy")
# トレーニング
epochs = 5000
batch_size = 32
for epoch in range(epochs):
# 真のデータと生成データ
idx = np.random.randint(0,
data.shape[0], batch_size)
real_data = data[idx]
noise =
np.random.normal(size=(batch_size, input_dim))
fake_data =
generator.predict(noise, verbose=0)
# Discriminatorの訓練
d_loss_real =
discriminator.train_on_batch(real_data, np.ones((batch_size, 1)))
d_loss_fake =
discriminator.train_on_batch(fake_data, np.zeros((batch_size, 1)))
# Generatorの訓練
noise = np.random.normal(size=(batch_size,
input_dim))
g_loss =
gan.train_on_batch(noise, np.ones((batch_size, 1)))
if epoch % 500 == 0:
print(f"Epoch
{epoch}: D loss real = {d_loss_real:.4f}, D loss fake = {d_loss_fake:.4f}, G
loss = {g_loss:.4f}")
# 因果グラフの描画
def plot_causal_graph():
G = nx.DiGraph()
G.add_edges_from([("X1", "X2"), ("X1",
"X3"), ("X2", "X3")]) # 真の因果構造
plt.figure(figsize=(6, 4))
pos = nx.spring_layout(G)
nx.draw(G, pos,
with_labels=True, node_color="lightblue", node_size=2000, font_size=10,
font_color="black")
plt.title("True Causal
Graph")
plt.show()
plot_causal_graph()
出力結果
/usr/local/lib/python3.11/dist-packages/keras/src/backend/tensorflow/trainer.py:82:
UserWarning: The model does not have any trainable weights.
warnings.warn("The model
does not have any trainable weights.")
Epoch 0: D loss real = 0.7863, D loss fake = 0.7490, G loss = 0.6795
Epoch 500: D loss real = 1.4664, D loss fake = 1.4686, G loss = 0.2282
Epoch 1000: D loss real = 2.1297, D loss fake = 2.1314, G loss = 0.1203
Epoch 1500: D loss real = 2.5706, D loss fake = 2.5720, G loss = 0.0813
Epoch 2000: D loss real = 2.8968, D loss fake = 2.8980, G loss = 0.0613
Epoch 2500: D loss real = 3.1566, D loss fake = 3.1576, G loss = 0.0492
Epoch 3000: D loss real = 3.3737, D loss fake = 3.3745, G loss = 0.0411
Epoch 3500: D loss real = 3.5629, D loss fake = 3.5637, G loss = 0.0353
Epoch 4000: D loss real = 3.7301, D loss fake = 3.7307, G loss = 0.0309
Epoch 4500: D loss real = 3.8828, D loss fake = 3.8834, G loss = 0.0275
