産学連携等について

産学連携等につきましては、次の窓口からお問い合わせください。

博士号取得者が作業を行う形式、実務経験がある研究員が行う形式、大学院生が行う形式、企業側が行い教員が助言を行う形式、企業側担当者が研究室のセミナーや勉強会に参加する形式など、各種ご相談に応じます。

大阪大:  知能推論研究分野お問い合わせフォーム  または  info@ds.sanken.osaka-u.ac.jp
なお、大阪大のポリシー・規程・様式はこちらです: https://www.ccb.osaka-u.ac.jp/policy/

滋賀大: 滋賀大学データサイエンス・AIイノベーション研究推進センターへお問い合わせください
https://dsaic.shiga-u.ac.jp/contact/

統計的因果探索に関するスライド・動画・書籍: 

スライド:
Speaker Deck
SlideShare

動画:
チュートリアル動画 (Youtube)
講義動画 統計的因果推論入門 (Youtube)

書籍:
統計的因果探索, 講談社, 2017
Statistical Causal Discovery: LiNGAM approach, 2022

これまでの連携: 

共同研究

富士通株式会社, 株式会社エヌ・ティ・ティ・データ, 株式会社アイシン, 株式会社デンソー, 株式会社 東芝, 日東電工株式会社, ソニーセミコンダクタマニュファクチャリング株式会社, エヌ・ティ・ティ・コミュニケーションズ株式会社

学術指導 / コンサルティング

エヌ・ティ・ティ・コミュニケーションズ株式会社, 株式会社アイシン, 京セラドキュメントソリューションズ株式会社, 日鉄テックスエンジ株式会社, 東レ株式会社, 株式会社デンソー, SCREENアドバンストシステムソリューションズ, 株式会社神戸製鋼所, ロックオン株式会社, 日本製鐵, 新日鐵住金, キリン株式会社 基盤技術研究所, 三菱重工業株式会社

受託研究員

株式会社デンソー

教育連携

株式会社平和堂, 三井住友カード株式会社

これまでの成果の例: 

• Causal-discovery-based root-cause analysis and its application in time-series prediction error diagnosis
  H. Yokoyama, R. Shingaki, K. Nishino, S. Shimizu, and T. Pham, Arxiv preprint, 2024. Accepted in  Proc. IJCNN2025

• 因果探索アプリケーション「Causalas」

• 滋賀大学×平和堂×三井住友カードによる共同研究の学生最終報告会を開催

• Structure Learning for Groups of Variables in Nonlinear Time-Series Data with Location-Scale Noise
  G. Kikuchi and S. Shimizu, Causal Analysis Workshop 2023 (CAWS2023)

• 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, CLeaR2023

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

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

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

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

• 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
  Proc. 2021 ACM SIGKDD Workshop on Causal Discovery (CD2021)