Our group works on developing mathematical methods to elucidate the causal mechanisms underlying natural phenomena and human behavior. In particular, we develop statistical methods for estimating causal relationships from observational data that are obtained from sources other than randomized experiments and construct a new methodology that goes beyond the conventional limits. We also aim to contribute to the solution of problems in basic sciences such as natural and social sciences and applied sciences such as engineering and medicine by collaborating with people in those fields. 

自然現象や人間行動の根底にある因果メカニズムを解明するための数理的方法論に関する研究を行います。特に、介入のない観察データから因果関係を推測するための数学的方法論を研究開発し、従来の限界を超える新しい方法論体系を構築します。また, 様々な科学分野の研究者と協力して自然科学・社会科学などの基礎科学や工学・医学などの応用科学の問題にも取り組み、方法論の立場から問題の解決に貢献することを目指します。

• Causal Discovery for Non-stationary Non-linear Time Series Data Using Just-In-Time Modeling
  D. Fujiwara, K. Koyama, K. Kiritoshi, T. Okawachi, T. Izumitani, S. Shimizu, Proc. 2nd Conference on Causal Learning and Reasoning, PMLR 213: 880-894, 2023.

• Prospects of Continual Causality for Industrial Applications
  D. Fujiwara, K. Koyama, K. Kiritoshi, T. Okawachi, T. Izumitani, S. Shimizu, Proc. First AAAI Bridge Program on Continual Causality, 2023.

• Differentiable causal discovery under heteroscedastic noise
  G. Kikuchi, ICONIP2022

• Python package for causal discovery based on LiNGAM
  T. Ikeuchi, M. Ide, Y. Zeng, T. N. Maeda, S. Shimizu, JMLR Machine Learning Open Source Software, 2023

• Featured paper: Repetitive causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders

• 脳病態数理・データ科学セミナー

• Statistical Causal Discovery: LiNGAM Approach
  S. Shimizu, SpringerBriefs in Statistics 2022

• CNN-GRU based deep learning model for demand forecast in retail industry
  K. Honjo, X. Zhou, S. Shimizu, IJCNN2022

• Causal Discovery for Linear Mixed Data
  Y. Zeng, S. Shimizu, H. Matsui, F. Sun, CLeaR2022
  Python code

• A Multivariate Causal Discovery based on Post-Nonlinear Model
  K. Uemura, T. Takagi, T. Kambayashi, H. Yoshida, S. Shimizu, CLeaR2022
  Python code

• 第18回愛媛大学DS研究セミナー

• 電子情報通信学会 パターン認識・メディア理解(PRMU)研究会

• International Workshop on Causality and Philosophy, Online
  4th March 2022 16:00-18:00  JST
  15:00-17:00 in Hong Kong
  8:00-10:00 in Berlin

• 統計的因果探索: 領域知識とデータから因果仮説を探索する
  2021年度 JST-理研 合同AIP公開シンポジウム

• Features of the LiNGAM Python package
  Python code

• LiNGAM Python パッケージでできること
  Python code

• 知能情報学専攻コロキウム
  スライド
  録画

• International Symposium on Causal Inference and Machine Learning September 10-11, 2021

• The KDD2021 Workshop on Causal Discovery (CD2021)
  Video (Preliminary Version)

• Estimating individual-level optimal causal interventions combining causal models and machine learning models
  K. Kiritoshi, T. Izumitani, K. Koyama, T. Okawachi, K. Asahara, and S. Shimizu
  2021 ACM SIGKDD Workshop on Causal Discovery (CD2021)

• Causal additive models with unobserved variables
  T. N. Maeda and S. Shimizu, UAI2021
  Python code

• Causal discovery with multi-domain LiNGAM for latent factors
  Y. Zeng, S. Shimizu, R. Cai, F. Xie, M. Yamamoto, and Z. Hao
  IJCAI2021
  Python code

• [27th AIP Open Seminar] Talks by Causal Inference Team on 2nd June, 2021
  The recording available

• 2021年度 計量生物学会年会チュートリアル「因果探索」

• ゼミ卒業生の小西さん、谷口さん、上田さんの平和堂との共同研究が4/7の日本経済新聞で紹介されました

• データサイエンス学部・データサイエンス研究科 一期生が卒業・修了

• JSTワークショップ「人工知能と科学」

• NeurIPS 2020 Workshop on Causal Discovery and Causality-Inspired Machine Learning

• 第23回情報論的学習理論ワークショップ (IBIS2020) チュートリアル

• データサイエンティスト協会 7thシンポジウム

• The 2020 Pacific Causal Inference Conference

• 数理科学 2020年9月号 統計的思考法のすすめ 「統計的因果推論への招待」

• RCD: Repetitive causal discovery of linear non-Gaussian acyclic models with latent confounders
  T. N. Maeda and S. Shimizu, AISTATS2020
  Python code

• 講義動画「因果探索入門」

• Research focus: Causal discovery | 研究の焦点: 因果探索