1. 竹内 孝
京都大学 大学院情報学研究科 助教
JST さきがけ / 理研AIP
因果推論を用いた
群衆移動の誘導における介入効果推定

2. 自己紹介
• 2011: 早稲田大学 理工学研究科 修士課程 卒業
• 2011-2020: NTTコミュニケーション科学基礎研究所
• 2018 JST ACT-I 情報と未来 3期生
• 2019: 京都大学 情報学研究科 博士課程 卒業 博士(情報学)
• 2020-: 京都大学 情報学研究科 助教 着任
• 2020-: 理研AIP 客員研究員
• 2020-: JST さきがけ 信頼されるAI 1期生 (兼任)
1

3. Grab the Reins of Crowds:
Estimating the Effects of
Crowd Movement Guidance
Using Causal Inference
Koh Takeuchi1, Ryo Nishida2
Hisashi Kashima1, Masaki Onishi3
Kyoto University1, Tohoku University2, AIST3

4. 群衆の移動誘導は社会の安全性確保にお
ける重要課題である
• 不測の事態において、どうすれば交通混雑は回避できるか
• 自然災害や緊急事態が発生した際、いかに安全に避難させるか
3

5. 誘導プランの決定は群衆移動の結果に大
きな影響を与える
■ 移動している人
■ 停止している人
混雑した劇場からの避難例
劇場支配人は意思決定
を行う必要がある
誘導プランAとBの
どちらを選ぶべきか?
0 sec
160 sec
160 sec
プランA
群衆の
初期状態
プランB
渋滞 避難の
遅延
4

6. 意思決定者の問いに答え意思決定をサポ
ートするシステムへの需要が存在する
現状で実行可能な選択肢はそれぞれどのような結果をもたらすか？
what-if問題を解決する
サポートシステム
支配人
群衆
誘導
結果
5

7. 群衆移動誘導の効果予測を困難にする
3つの課題
1. 異常事態は頻繁に発生せず少量のデータし
か存在しない
2. 意思決定者の方策に由来する誘導プランの
選択バイアスがデータに存在する
3. 選択されなかった誘導プランを実行した
場合 (反事実) のデータが欠損している
選択バイアスをもち反事実データの欠損
した比較的少量のデータから、正確な結
果予測を行うにはどうすれば良いか？
7

8. 群衆移動誘導を因果推論における
因果効果推定の問題として定式化する
意思決定者
p(Z|X)
共変量 x ~ p(X)
介入 z ~ p(Z|X)
結果
y ~ p(Y|X,Z)
①
②
③
④
8
参考文献：ルービン因果モデル(Rubin causal model)と潜在結果
フレームワーク [22]
⽅策[=p(Z|X)]の偏りを補正
⇨選択バイアスを除去

9. 機械学習の反事実回帰(CFR)を拡張し、
空間畳み込み反事実回帰 (SC-CFR) を提案
IPMで選択バイアスと反事実
欠損の問題を解消 [10, 24]
Σz’|Zz IPM( p(Φx|z) | p(Φx|z))
空間畳み込みg(x)で、群衆の初期状態(位置)が持つ空間分布情報を抽出 [19, 41]
IPM: integral probability metrics
9
共変量 x
介入
結果

10. 関連研究
10
我々の研究:
トップダウンな意思決定の
問題を因果推論の枠組みで
捉え直し、介入効果推定と
して定式化
既存研究:
個々の群衆による
ボトムアップな意思決定
Each agent making decisions based on individual or
partial information to achieve one’s goals
群衆
意思決定 群衆
既存研究:
意思決定者による
トップダウンな意思決定
によるMASへの介入

11. 関連研究
11
[Sharit 17]
反事実回帰モデル(CFR)を提案
IPM正則化回帰モデルの損失関数が、
PEHEの期待値の上限となると証明
-> IPMを用いた表現学習が大流行(赤海?)
(被引用数:307)
->ベクトルX、バイナリZ、スカラYのみ
->時系列モデルへの拡張、連続値の介入Z
、組み合わせ介入Zへの拡張などが盛ん
Shalit, Uri, Fredrik D. Johansson, and David Sontag. "Estimating individual
treatment effect: generalization bounds and algorithms." ICML, 2017.

12. マルチエージェントシミュレータを用いて
バイアスと反事実欠損のないデータを生成
プランA プランB
12
国立新劇場のオペラハウスの実際の図面を元にした高精
度なシミュレータを使用
■ 移動している人
■ 停止している人

13. オペラハウスで行った避難訓練で計測した
データとシミュレータデータの間で、最大
避難時間の誤差は5％であると確認
実際の避難訓練の様子
570人の観客の避難を8個の
ステレオカメラで計測した
13

14. シミュレータでは、2種類の介入を使用
した (避難経路誘導と非常ドアの開閉)
1. ブロック毎の使用率をラン
ダムに決定
2. ブロック内にエージェント
をランダムに配置
3. 全ての介入の組み合わせで
シミュレーションを実行
4. 方策 (propensity score)を
元に現実の介入と結果をサ
ンプリング
意思決定者のバイアスを
真似てデータを生成
14

15. エージェントの有無を表現した共変量X
を二次元の配列に加工した例を示す
15

16. 介入毎の結果をヒストグラムに示す。介
入によって結果は変化している。
最大避難時間
16
平均避難時間

17. 共変量Xと介入Zから結果を予測し、予
測精度からモデルの良し悪しを比較する
• データの90％の現実からモデルをトレーニングする。
ただし、現実に選択された介入と結果のみを使用。
• 3つの指標でモデルの性能を評価
1. Root mean squared error (RMSE)
2. Precision in estimation of heterogeneous effect (PEHE)
3. Average treatment Effect (ATE)
この際には、全ての選択可能な結果（反事実を含む）の予測結
果を使用する[10, 24] 。
トレーニングは(within-sample) 、テストは (out-of‒sample)
とする。
17

18. 9つのベースライン手法を使用
• 共変量と介入を繋いだ[x, z]を入力にした教師あり学習手法
• Lasso
• Ridge regression (Ridge)
• Support vector regression (SVR)
• Random forest (RF)
• Gradient boosting regressor (GBR)
• Bayesian additive regression tree (BART)
• Multi-layer perceptron (MLP) consisting of five layers
• 機械学習分野で近年提案されたニューラルネットを用いた因果効果
推定手法
• Treatment-agnostic representation network (TARNET)
• Counterfactual regression (CFR)
18

19. 提案手法による優位な性能改善を確認
19

20. 結論
• 群衆移動誘導におけるwhat-if問題を比較的少数かつバイアスさ
れたデータからの因果効果推定の問題として定式化した
• 深層学習における空間データ特徴量の表現学習とIPMを用いた
表現のバランス化技術を組み合わせたSC-CFRを提案した
• 高精度なマルチエージェントシミュレータを用いてデータセッ
トの作成を行い、そのデータを用いた実験から、最大56%の性
能改善が既存法よりも起きることを確認した
20
データセットおよびソースコードはこちら
https://github.com/koh-t/SC-CFR

21. Grab the Reins of Crowds:
Estimating the Effects of
Crowd Movement Guidance
Using Causal Inference
Koh Takeuchi1, Ryo Nishida2
Hisashi Kashima1, Masaki Onishi3
Kyoto University1, Tohoku University2, AIST3