Talks | 発表など

Talk slides at Speaker Deck
Talk slides at SlideShare
Videos at Youtube
講義動画「統計的因果推論入門」

Invited presentations | 依頼による発表

Invited talks and tutorials | 招待講演・招待チュートリアル

[148] 清水昌平 (2024年11月5日) 非ガウス性と非線形性に基づく統計的因果探索. 統計的因果推論研究の最先端, 愛媛大学, 愛媛  

[142] 清水昌平 (2024年2月19日) 統計的因果探索の方法. シンポジウム「因果とは何かー哲学・数学・物理から考える」, 東北大学. 

[135] S. Shimizu  (4 Aug 2023) Panelist at the Origins of Graphical Causal Model Search: Perth to Pittsburgh to Zurich, In-Between, and Beyond. UAI2023 Workshop: The History and Development of Search Methods for Causal Structure, Pittsburgh+Online.  

[121] 清水昌平  (2021年12月16日) 統計的因果探索: セミパラメトリックアプローチを中心に. 電子情報通信学会 パターン認識・メディア理解（PRMU）研究会, オンライン.  

[118] 清水昌平  (2021年11月26日) セミパラメトリックアプローチによる統計的因果探索. 人工知能学会 第118回 人工知能基本問題研究会 (SIG-FPAI), オンライン.  

[114] S. Shimizu  (2021年8月15日) LiNGAM approach to causal discovery. The KDD2021 Workshop on Causal Discovery (CD2021), Virtual.  

[112] 清水昌平, 前田高志ニコラス, 井元佑介  (2021年5月14日) 因果探索. 2021年度日本計量生物学会年会, 東京. (チュートリアル)

[110] S. Shimizu (11 Dec 2020) Linear non-Gaussian models with latent variables for causal discovery.  The 2020 NeurIPS Workshop on Causal Discovery and Causality-Inspired Machine Learning, Virtual

[107] S. Shimizu (27 Sep 2020) Linear non-Gaussian models with latent variables for causal discovery.  The 2020 Pacific Causal Inference Conference, Online

[104] 清水昌平, 前田高志ニコラス, 井元佑介  (2020年5月15日) 因果探索. 応用統計学会2020年度年会, 東京. 開催中止 (チュートリアル)

[96] S. Shimizu (2018年6月8日) Causal discovery, prediction, and control. Causal Modeling and Machine Learning (CaMaL) Workshop, Guangzhou, China.

[94] 清水昌平 (2018年2月28日-3月2日)  因果探索入門. 日本行動計量学会 第20回春の合宿セミナー, 滋賀.

[93] 清水昌平 (2017年12月14日)  因果探索への招待. 電子情報通信学会IA(インターネットアーキテクチャ)/IN(情報ネットワーク)併催研究会, 広島.

[91] S. Shimizu (21 Sep 2017)  Causal discovery and prediction mechanisms. France/Japan Machine Learning Workshop, Paris, France.

[88] 清水昌平 (2017年7月14日)  統計的因果推論への招待 - 因果構造探索を中心に - システム制御情報学会・計測自動制御学会 チュートリアル講座2017, 大阪.

[85] 清水昌平 (2017年2月17日) 因果構造探索の基本. 研究集会: 因果推論の基礎, 統計数理研究所, 東京. 

[83] S. Shimizu (25 July 2016)  A non-Gaussian approach for causal structure learning in the presence of hidden common causes. CRM Workshop: Statistical Causal Inference and its Applications to Genetics, Montreal, Canada. 

[82] S. Shimizu (23 May 2016)  A non-Gaussian model for causal discovery in the presence of hidden common causes. Munich Workshop on Causal Inference and Information Theory, Munich, Germany. 

[81] S. Shimizu (23 Mar 2016)  Non-Gaussian structural equation models for causal discovery. 2016 Probabilistic Graphical Model Workshop: Sparsity, Structure and High-dimensionality, Tokyo. 

[80] 清水昌平 (2016年3月17日)  因果探索: 基本から最近の発展までを概説. 第23回情報論的学習理論と機械学習研究会 (IBISML), 統計数理研究所, 東京. (招待講演) 

[79] 清水昌平 (2016年3月16日)  因果探索: 観察データから因果仮説を探索する. 日本社会心理学会: 第3回春の方法論セミナー, 上智大学.

[78] 清水昌平 (2016年3月1日) 因果探索と非ガウス性, 第11回協定講座シンポジウム: 計算科学とビジュアル・アナリティクス, 神戸大学, 兵庫.

[77] S. Shimizu (5 Feb 2016)  Statistical estimation of causal directions based on observational data. The 3rd CiNet Conference - Neural Mechanism of Decision Making: Achievements and New Directions, Osaka. 

[76] S. Shimizu (7 Jan 2016) Non-Gaussian methods for causal discovery. International Workshop on Causal Inference, Tokyo.

[74] S. Shimizu (17 Nov 2015)  A non-Gaussian approach for causal discovery in the presence of hidden common causes. Second Workshop on Advanced Methodologies for Bayesian Networks (AMBN2015), Yokohama, Japan. (Invited talk) 

[72] 清水昌平 (2015年8月6日)  非ガウス性を利用した因果構造探索. 2015年日本生態学会関東地区会シンポジウム「非ガウス性／非線形性／非対称性からの因果推論手法：その使いどころ・原理・実装を学ぶ」, 東京大学. 

[70] 清水昌平 (2015年3月20日)  構造方程式モデルによる因果探索と非ガウス性. 数学協働プログラム(数学・数理科学と諸科学・産業との協働によるイノベーション創出のための研究促進プログラム) ワークショップ: 確率的グラフィカルモデル, 電気通信大学. 

[67] S. Shimizu (25 Jun 2014)  Estimation of causal direction in the presence of latent confounders and linear non-Gaussian structural equation models. Causal Modeling and Machine Learning (Post-ICML workshop), Beijing, China. 

[66] S. Shimizu (23 May 2014) A non-Gaussian approach for estimating possible causal direction in the presence of latent confounders. Conference on Statistics and Causality 2014, Vienna, Austria.

[54] 清水昌平 (2012年11月17日) 因果構造探索と非ガウス構造方程式モデル. 人工知能学会 第87回 人工知能基本問題研究会 (SIG-FPAI), 慶應義塾大学 (招待講演) 

[51] 清水昌平 (2012年9月13日)  構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展. 日本行動計量学会第40回大会, 新潟県立大学 (チュートリアル) 

[47] 清水昌平 (2012年3月21日) 構造方程式モデルによる因果構造探索: 非ガウス性の利用. 情報統計力学の最前線ー情報と揺らぎの制御の物理学を目指してー, 京都大学 (招待講演)

[36] S. Shimizu and Y. Kawahara (8 Jul 2010)  Non-Gaussian methods for learning linear structural equation models. The 26th Conference on Uncertainty in Artificial Intelligence (UAI2010), Catalina Island, California, U.S.A., July 8-11, 2010 (Tutorial)

[22] S. Shimizu, P. O. Hoyer and A. Hyvärinen (30 Jun 2008) Linear non-Gaussian structural equation models. IMPS 2008, the 73rd Annual Meeting of the Psychometric Society, Durham, NH, U.S.A., 2008 (Invited lecture)

[15] S. Shimizu, A. Hyvärinen and Y. Kano (3 Oct 2004)  Independent component analysis and its application to causal analysis. Factor Analysis Centennial Symposium (FA100), Osaka, Japan, 2004 (Invited talk)

Talks in organized sessions | 企画セッションなど

[145] S. Shimizu  (5 July 2024) Causal discovery based on non-Gaussianity and nonlinearity. 6th Pacific Causal Inference Conference (PCIC 2024), Shanghai, Online. 

[141] S. Shimizu  (17 Dec 2023) Non-Gaussian methods for causal discovery. 16th International Conference of the ERCIM WG on Computational and Methodological Statistics (CMStatistics 2023), Berlin. Organized Invited Session: Statistical Learning of Non-Gaussian Data

[134] 清水昌平  (2023年9月7日) 研究・教育・産学連携の循環の実践. 2023年度統計関連学会連合大会, 京都.  企画セッション「アカデミアと企業との共同研究」  

[122] 清水昌平  (2021年12月17日) 滋賀大学データサイエンス学部におけるJMPの活用事例. JMP Discovery Summit Japan 2021, オンライン.  

[109] 清水昌平  (2020年11月9日) 因果探索という道具. 一般社団法人データサイエンティスト協会 7thシンポジウム , オンライン. 

[101] S. Shimizu (2019年9月4日) Causal discovery based on non-Gaussianity of data and its applications. 日本行動計量学会 第47回大会, 大阪. 特別セッション: 「Causal inference and cyclic models」

[98] 清水昌平 (2018年9月12日) 因果探索、予測、そして制御. 2018年度 統計関連学会連合大会, 東京. 応用統計学会企画セッション: 「統計的因果推論―基本的なアイデアから最近の発展まで―」

[97] S. Shimizu (2018年6月26日) Causal discovery, prediction mechanisms, and control. The 5th meeting of the Institute of Mathematical Statistics (IMS) meeting series, the IMS Asia Pacific Rim Meeting (IMS-APRM), Singapore, 2018. Invited paper session: Statistical Causal Inference.

[73] 清水昌平 (2015年9月2日)  因果探索: データから因果の方向性等を調べる. 日本行動計量学会 第43回大会, 首都大学東京. ラウンドテーブル: 徹底討論・統計的因果推論 データだけから因果を言えるのか？３つのアプローチから. 

[21] 清水昌平 (2007年9月) 独立成分分析と線形逐次モデルの探索. 2007年度 統計関連学会連合大会, 神戸大学. 企画セッション:「回転」研究の新「展開」.

[18] 清水昌平 (2006年5月) 独立成分分析による線形逐次モデルの探索. 日本統計学会75周年記念シンポジウム, 東京大学. セッション5: 統計的因果推論と知識創造.

[12] S. Shimizu, A. Hyvärinen and Y. Kano (Jun 2004)  Exploratory causal inference using non-normality. International Meeting of the Psychometric Society (IMPS2004), Monterey, California, 2004. Invited paper session: Nonnormal Structural Equation Modeling. 

[6] S. Shimizu and Y. Kano (Jul 2003)  `Confirmatory' ICA. International Meeting of the Psychometric Society (IMPS2003), Cagliari, Italy, 2003. Invited paper session: ICA and Psychometrics.

Talks at local seminars | ローカルセミナー

[151] 清水昌平 (2025年2月20日) データサイエンスから見える滋賀県の未来予想図. 内外情勢調査会2月例会 (滋賀支部), 大津

[150] 清水昌平 (2025年1月22日) 統計的因果探索: 背景知識とデータから因果仮説を探索. 情報系研究会, 理化学研究所, オンライン

[143] 清水昌平 (2024年3月26日) 話題提供: 数理✖️AI. JST-CRDS先端科学技術に関する勉強会, オンライン. 

[134] S. Shimizu  (20 Jun 2023) Introduction to statistical causal discovery. ASHbi Seminar, Kyoto.  

[133] 清水昌平  (2023年5月19日) 統計的因果探索の概要と役割. AI・データ利活用研究会セミナー, オンライン.   

[130] 清水昌平  (2023年3月10日) データサイエンスPBL: 滋賀大学における取り組み例. 第9回データ科学教員のための教育FD, オンライン. 

[128] 清水昌平  (2022年11月10日) 統計的因果探索とAI. 脳病態数理・データ科学セミナーシリーズ, オンライン.  

[125] 清水昌平  (2022年7月4日) 統計的因果探索: 領域知識とデータによる因果構造グラフの推測. 第18回愛媛大学DS研究セミナー, オンライン.   

[124] 清水昌平  (2022年6月28日) 統計的因果探索: LiNGAMパッケージでできること. 京都大学 医学研究科 福間研究室, オンライン.   

[115] 清水昌平  (2021年10月7日) セミパラメトリックアプローチによる因果探索. 2021年度知能情報学専攻コロキウム, オンライン.  

[111] 清水昌平  (2021年1月22日) 統計的因果推論と機械学習: データ駆動による因果仮説探索. JST 科学技術未来戦略ワークショップ「人工知能と科学」, オンライン. 

[106] 清水昌平  (2020年8月4日) データ駆動による因果仮説探索. JST 研究開発戦略センター(CRDS)俯瞰セミナーシリーズ「機械学習と科学」, オンライン. 

[103] 清水昌平  (2020年2月21日) 統計的因果探索への招待. 超先端材料超高速開発基盤技術プロジェクト研究セミナー, 産業技術総合研究所, 茨城. 

[100] 清水昌平 (2019年8月21日) 統計的因果探索への招待. SCK 熊本TEC, 熊本. 

[75] 清水昌平 (2015年12月21日)  統計的因果探索: 基本から最近の発展まで. NTTコミュニケーション科学基礎研究所.

[71] 清水昌平 (2015年5月8日) 因果探索と独立成分分析. 統計科学研究拠点セミナー + 金曜セミナー, 広島大学.

[63] S. Shimizu (17 Jan 2014) Introduction to non-Gaussian causal discovery methods. ATR (Advanced Telecommunications Research Institute International), Kyoto, Japan.

[62] 清水昌平 (2013年12月2日) 因果構造探索に関する最近の発展. 奈良先端科学技術大学院大学 情報科学研究科 ゼミナールI.

[55] 清水昌平 (2013年5月29日) 因果構造探索と非ガウス構造方程式モデル. 大阪大学 大学院基礎工学研究科 数理科学領域 統計解析グループ.

[53] 清水昌平 (2012年10月3日) 因果構造探索に関する最近の発展: 非ガウス性の利用. データ科学特別セミナー, 大阪大学 大学院基礎工学研究科 数理科学領域 データ科学研究グループ.

[50] 清水昌平 (2012年7月18日) 非ガウス構造方程式モデルとその因果構造探索への応用. 待兼山コロキウム, 大阪大学 サイバーメディアセンター 大規模計算科学部門.

All | すべて

2025

[152] 清水昌平 (2025年3月13日) データサイエンス. 未来創生人財育成講座, 名古屋

[151] 清水昌平 (2025年2月20日) データサイエンスから見える滋賀県の未来予想図. 内外情勢調査会2月例会 (滋賀支部), 大津

[150] 清水昌平 (2025年1月22日) 統計的因果探索: 背景知識とデータから因果仮説を探索. 情報系研究会, 理化学研究所, オンライン

2024

[149] 清水昌平 (2024年12月10日) 統計的因果探索の基礎. 特別講義 人工知能特論, 東京科学大学, オンライン

[148] 清水昌平 (2024年11月5日) 非ガウス性と非線形性に基づく統計的因果探索. 統計的因果推論研究の最先端, 愛媛大学, 愛媛

[147] 高山正行, 小松尚登, ファムテトン, 前田高志ニコラス, 三内顕義, 小柴等, 清水昌平 (2024年10月26日) 博士課程進学者数に関する統計的因果探索と交絡因子の取り扱い. 研究・イノベーション学会 第39回年次学術大会, オンライン.  

[146] D. Fujiwara, T. Izumitani, S. Shimizu  (26 Aug 2024) Optimization and Control Applications through Repeated Interventions Based on Structural Causal Models. KDD 2024 Workshop: 2nd Workshop on Causal Inference and Machine Learning in Practice, Barcelona, Spain. 

[145] S. Shimizu  (5 July 2024) Causal discovery based on non-Gaussianity and nonlinearity. 6th Pacific Causal Inference Conference (PCIC 2024), Shanghai, Online. 

[144] 藤原大悟, 泉谷 知範, 清水 昌平  (2024年5月31日) 構造的因果モデルに基づく繰り返しの介入による最適化と制御応用. 第38回人工知能学会全国大会, 浜松.

[143] 清水昌平 (2024年3月26日) 話題提供: 数理✖️AI. JST-CRDS先端科学技術に関する勉強会, オンライン. 

[142] 清水昌平 (2024年2月19日) 統計的因果探索の方法. シンポジウム「因果とは何かー哲学・数学・物理から考える」, 東北大学. 

2023

[141] S. Shimizu  (17 Dec 2023) Non-Gaussian methods for causal discovery. 16th International Conference of the ERCIM WG on Computational and Methodological Statistics (CMStatistics 2023), Berlin. Organized Invited Session: Statistical Learning of Non-Gaussian Data

[140] 大庭孝之, 伊藤秀浩, 高部晃好, 稲垣和也, 清水昌平 (2023年10月30日) 製造データにおける特徴量選択手法としてのDirectLiNGAMの活用. 第26回情報論的学習理論ワークショップ(IBIS2023), 北九州国際会議場. ポスター発表.

[139] 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平 (2023年10月29日) 大規模言語モデルを活用した博士課程進学に関する因果探索の試行. 研究・イノベーション学会 第38回年次学術大会, オンライン.  

[138] 高山正行, 小松尚登, ファムテトン, 前田高志ニコラス, 三内顕義, 小柴等, 清水昌平 (2023年10月29日) 大学別の博士課程進学等に関するデータセットの構築と統計的因果探索. 研究・イノベーション学会 第38回年次学術大会, オンライン.  

[137] 清水昌平  (2023年10月14日) データで課題を解決する―因果関係を調べる統計的因果推論―. 2023年度和光地区一般公開

[136] 清水昌平  (2023年9月7日) 研究・教育・産学連携の循環の実践. 2023年度統計関連学会連合大会, 京都.  企画セッション「アカデミアと企業との共同研究」  

[135] S. Shimizu  (4 Aug 2023) Panelist at the Origins of Graphical Causal Model Search: Perth to Pittsburgh to Zurich, In-Between, and Beyond. UAI 2023 Workshop: The History and Development of Search Methods for Causal Structure, Pittsburgh+Online.  

[134] S. Shimizu  (20 Jun 2023) Introduction to statistical causal discovery. ASHbi Seminar, Kyoto.  

[133] 清水昌平  (2023年5月19日) 統計的因果探索の概要と役割. AI・データ利活用研究会セミナー, オンライン.    

[132] 清水昌平  (2023年3月28日) 2022年度AIPシンポジウム成果報告会: パネルディスカッション, 東京+オンライン.    

[131] 藤原風輝, 二瓶直登, 福島敦史, 鈴木健大, 清水昌平, 菊地淳, 松本朋子, 成川恵, 菅波眞央, 宮沢佳恵, 市橋泰範  (2023年3月xx日) 農業生態系のマルチオミクス解析による生育と品質のトレードオフの解消. 第64回日本植物生理学会年会, 仙台

[130] 清水昌平  (2023年3月10日) データサイエンスPBL: 滋賀大学における取り組み例. 第9回データ科学教員のための教育FD, オンライン. 

[129] 清水昌平  (2023年3月9日) 統計的因果探索の概説. 第11回領域セミナー, オンライン.   

2022

[128] 清水昌平  (2022年11月10日) 統計的因果探索とAI. 脳病態数理・データ科学セミナーシリーズ, オンライン.   

[127] 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平, 星野利彦 (2022年10月29日) 統計的因果探索アルゴリズム”LiNGAM”を用いた若手研究者支援政策に関する研究. 研究・イノベーション学会 第37回年次学術大会, オンライン.  

[126] F. Fujiwara, N. Nihei, A. Fukushima, K. Suzuki, S. Shimizu, J. Kikuchi, T. Matsumoto, K. Miyazawa, Y. Ichihashi  (16 Aug 2022) Field multi-omics analysis using causal discovery method reveals agroecological interactions that improve vegetable yield and quality. International Horticultural Congress, France

[125] 清水昌平  (2022年7月4日) 統計的因果探索: 領域知識とデータによる因果構造グラフの推測. 第18回愛媛大学DS研究セミナー, オンライン.   

[124] 清水昌平  (2022年6月28日) 統計的因果探索: LiNGAMパッケージでできること. 京都大学 医学研究科 福間研究室, オンライン.   

[123] 藤原大悟, 小山和輝, 大川内智海, 泉谷知範, 浅原啓輔, 清水昌平 (2022年6月16日) 時系列データに対する予測モデルの介入効果の推定. 第36回人工知能学会全国大会, 国立京都国際会館, 京都

2021

[122] 清水昌平  (2021年12月17日) 滋賀大学データサイエンス学部におけるJMPの活用事例. JMP Discovery Summit Japan 2021, オンライン.  

[121] 清水昌平  (2021年12月16日) 統計的因果探索: セミパラメトリックアプローチを中心に. 電子情報通信学会 パターン認識・メディア理解（PRMU）研究会, オンライン.  

[120] 小山和輝, 藤原大悟, 切通恵介, 大川内智海, 泉谷知範, 浅原啓輔, 清水昌平 (2021年12月16日) プラントシミュレータを用いた時系列因果探索手法の評価. 電子情報通信学会 パターン認識・メディア理解（PRMU）研究会, オンライン.  

[119] 清水昌平  (2021年12月1日) 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～研究報告から探るAI分野の未来～, オンライン.  

[118] 清水昌平  (2021年11月26日) セミパラメトリックアプローチによる統計的因果探索. 人工知能学会 第118回 人工知能基本問題研究会 (SIG-FPAI), オンライン.  

[117] 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平, 星野利彦 (2021年10月31日) EBPMと統計的因果探索・数理モデルの利活用. 研究・イノベーション学会 第36回年次学術大会, オンライン.  

[116] 高山正行, 小柴等, 前田高志ニコラス, 三内顕義, 清水昌平, 星野利彦 (2021年10月31日) 統計的因果探索アルゴリズム”LiNGAM” を用いた若手研究者支援政策に関する研究. 研究・イノベーション学会 第36回年次学術大会, オンライン.  ベストペーパーアワード

[115] 清水昌平  (2021年10月7日) セミパラメトリックアプローチによる因果探索. 2021年度知能情報学専攻コロキウム, オンライン.  

[114] S. Shimizu  (2021年8月15日) LiNGAM approach to causal discovery. The KDD2021 Workshop on Causal Discovery (CD2021), Virtual.  

[113]  Y. Zeng, S. Shimizu, R. Cai, F. Xie, M. Yamamoto, Z. Hao (2021年7月16日) Causal Discovery with Multi-Domain LiNGAM for Latent Factors.  Causal Analysis Workshop Series 2021 (CAWS2021), Virtual.

[112] 清水昌平，前田高志ニコラス, 井元佑介  (2021年5月14日) 因果探索. 2021年度日本計量生物学会年会, オンライン. (チュートリアル)

[111] 清水昌平  (2021年1月22日) 統計的因果推論と機械学習: データ駆動による因果仮説探索. JST 科学技術未来戦略ワークショップ「人工知能と科学」, オンライン. 

2020

[110] S. Shimizu (2020年12月11日) Linear non-Gaussian models with latent variables for causal discovery.  The 2020 NeurIPS Workshop on Causal Discovery and Causality-Inspired Machine Learning, Virtual. 

[109] 清水昌平  (2020年11月9日) 因果探索という道具. 一般社団法人データサイエンティスト協会 7thシンポジウム, オンライン. 

[108] Y. Imoto, Y. Hiraoka, S. Shimizu, T. Nicolas Maeda, Y. Kojima, M. Saitou (2020年10月27日) Statistical Estimation of Gene Regulatory Network. JSPS Core-to-Core Program “Establishing International Research Network of Mathematical Oncology”, Osaka. 

[107] S. Shimizu (2020年9月27日) Linear non-Gaussian models with latent variables for causal discovery.  The 2020 Pacific Causal Inference Conference, Online, 

[106] 清水昌平  (2020年8月4日) データ駆動による因果仮説探索. JST 研究開発戦略センター(CRDS)俯瞰セミナーシリーズ「機械学習と科学」, オンライン. 

[105] 切通恵介, 紅林亘, 泉谷知範, 小山和輝, 木村大地, 大川内智海, 清水昌平 (2020年6月9日) 時系列データに対する予測モデルの介入効果の推定. 第34回人工知能学会全国大会, 熊本城ホール, 熊本

[104] 清水昌平，前田高志ニコラス, 井元佑介  (2020年5月15日) 因果探索. 応用統計学会2020年度年会, 東京. 開催中止 (チュートリアル)

[103] 清水昌平  (2020年2月21日) 統計的因果探索への招待. 超先端材料超高速開発基盤技術プロジェクト研究セミナー, 産業技術総合研究所, 茨城. 

2019

[102] 井元佑介, 平岡裕章，清水昌平，前田高志ニコラス，小島洋児，斎藤通紀  (2019年12月14日) 統計的因果探索に基づく遺伝子制御ネットワークの推定. 応用数学合同研究集会2019, 京都. 

[101] S. Shimizu (2019年9月4日) Causal discovery based on non-Gaussianity of data and its applications. 日本行動計量学会 第47回大会, 大阪. 特別セッション: 「Causal inference and cyclic models」

[100] 清水昌平 (2019年8月21日) 統計的因果探索への招待. SCK 熊本TEC, 熊本. 

2018

[99] 清水昌平 (2018年9月12日) 因果探索のレビュー. 新道路プロジェクト会議, 東京. 

[98] 清水昌平 (2018年9月12日) 因果探索、予測、そして制御. 2018年度 統計関連学会連合大会, 東京. 応用統計学会企画セッション: 「統計的因果推論―基本的なアイデアから最近の発展まで―」

[97] S. Shimizu (2018年6月26日) Causal discovery, prediction mechanisms, and control. The 5th meeting of the Institute of Mathematical Statistics (IMS) meeting series, the IMS Asia Pacific Rim Meeting (IMS-APRM), Singapore, 2018. Invited paper session: Statistical Causal Inference.

[96] S. Shimizu (2018年6月8日) Causal discovery, prediction, and control. Causal Modeling and Machine Learning (CaMaL) Workshop, Guangzhou, China.

[95] 高柳昌芳, 清水昌平, 長岡正隆 (2018年5月15日) 局所データモデリング法に基づく力場パラメータ最適化プログラムの開発. 第21回理論化学討論会, 愛知.

[94] 清水昌平 (2018年2月28日-3月2日)  因果探索入門. 日本行動計量学会 第20回春の合宿セミナー, 滋賀.

2017

[93] 清水昌平 (2017年12月14日)  因果探索への招待. 電子情報通信学会IA(インターネットアーキテクチャ)/IN(情報ネットワーク)併催研究会, 広島.

[92] 清水昌平 (2017年11月20日)  機械学習による因果仮説探索. メディカルデータサイエンス人材育成プログラム キックオフシンポジウム「健康医療イノベーションにおける観察研究の意義と活⽤」, 大阪.

[91] S. Shimizu (21 Sep 2017) Causal discovery and prediction mechanisms. France/Japan Machine Learning Workshop, Paris, France.

[90] 清水昌平 (2017年7月27日)  因果推論入門-因果構造探索を中心に-. 情報処理学会 連続セミナー2017 「イノベーション最前線: 2020年を超えて生き抜くための技術を探る」 第２回「人工知能の基盤技術」, 東京.

[89] 清水昌平 (2017年7月14日) AI最前線. 陵水会大阪支部総会, 大阪.

[88] 清水昌平 (2017年7月14日)  統計的因果推論への招待 - 因果構造探索を中心に -. システム制御情報学会・計測自動制御学会 チュートリアル講座2017, 大阪.

[87] 清水昌平 (2017年3月22日) 因果関係を学習する人工知能に向けて. 研究集会「数理解析およびデータサイエンス研究の最前線－ビッグデータ、AI、ブロックチェーン－」, 彦根，滋賀.

[86] 清水昌平 (2017年2月27日)  役立てよう！データサイエンス. ビッグデータ利活用セミナー, 関西アーバン銀行, 大阪.

[85] 清水昌平 (2017年2月17日)  因果構造探索の基本. 研究集会: 因果推論の基礎, 統計数理研究所, 東京.

2016

[84] 芳賀麻誉美+清水昌平 (2016年11月27日) 関係流動性と消費者自民族中心主義の因果構造分析～非ガウス性を使った因果推論. 日本マーケティング・サイエンス学会 第100回研究大会,  ホテル阪急エキスポパーク＋大阪大学中之島センター, 大阪. 

[83] S. Shimizu (25 July 2016)  A non-Gaussian approach for causal structure learning in the presence of hidden common causes. CRM Workshop: Statistical Causal Inference and its Applications to Genetics, Montreal, Canada. 

[82] S. Shimizu (23 May 2016)  A non-Gaussian model for causal discovery in the presence of hidden common causes. Munich Workshop on Causal Inference and Information Theory, Munich, Germany. 

[81] S. Shimizu (23 Mar 2016)  Non-Gaussian structural equation models for causal discovery. 2016 Probabilistic Graphical Model Workshop: Sparsity, Structure and High-dimensionality, Institute of Statistical Mathematics, Tokyo.

[80] 清水昌平 (2016年3月17日)  因果探索: 基本から最近の発展までを概説. 第23回情報論的学習理論と機械学習研究会 (IBISML), 統計数理研究所, 東京. 

[79] 清水昌平 (2016年3月16日)  因果探索: 観察データから因果仮説を探索する. 日本社会心理学会: 第3回春の方法論セミナー, 上智大学, 東京.

[78] 清水昌平 (2016年3月1日) 因果探索と非ガウス性, 第11回協定講座シンポジウム: 計算科学とビジュアル・アナリティクス, 神戸大学, 兵庫.

[77] S. Shimizu. (5 Feb 2016)  Statistical estimation of causal directions based on observational data, The 3rd CiNet Conference - Neural Mechanism of Decision Making: Achievements and New Directions, Osaka. 

[76] S. Shimizu. (7 Jan 2016)  Non-Gaussian methods for causal discovery. International Workshop on Causal Inference, Institute of Statistical Mathematics, Tokyo. 

2015

[75] 清水昌平 (2015年12月21日)  統計的因果探索: 基本から最近の発展まで. NTTコミュニケーション科学基礎研究所.

[74] S. Shimizu (17 Nov 2015)  A non-Gaussian approach for causal discovery in the presence of hidden common causes. Second Workshop on Advanced Methodologies for Bayesian Networks (AMBN2015), Keio University, Yokohama, Japan. (Invited talk) 

[73] 清水昌平 (2015年9月2日)  因果探索: データから因果の方向性等を調べる. 日本行動計量学会 第43回大会, 首都大学東京. ラウンドテーブル: 徹底討論・統計的因果推論 データだけから因果を言えるのか？３つのアプローチから. 

[72] 清水昌平 (2015年8月6日)  非ガウス性を利用した因果構造探索. 2015年日本生態学会関東地区会シンポジウム「非ガウス性／非線形性／非対称性からの因果推論手法：その使いどころ・原理・実装を学ぶ」, 東京大学. 

[71] 清水昌平 (2015年5月8日) 因果探索と独立成分分析. 統計科学研究拠点セミナー + 金曜セミナー, 広島大学.

[70] 清水昌平 (2015年3月20日)  構造方程式モデルによる因果探索と非ガウス性. 数学協働プログラム(数学・数理科学と諸科学・産業との協働によるイノベーション創出のための研究促進プログラム) ワークショップ: 確率的グラフィカルモデル, 電気通信大学. 

2014

[69] S. Shimizu (10 Dec 2014)  Non-Gaussian estimation of causal direction in the presence of latent common causes. The 18th SANKEN International Symposium: Recent Advances in Nanotechnology from Basic to Industrial Research, Osaka, Japan. ポスター. 

[68] 鈴木譲 + 清水昌平 + 鷲尾隆 (2014年7月24日)  連続データと離散データの間の因果関係の同定. 人工知能学会 第94回 人工知能基本問題研究会 (SIG-FPAI), 根室市総合文化会館. 

[67] S. Shimizu (25 Jun 2014)  Estimation of causal direction in the presence of latent confounders and linear non-Gaussian structural equation models. Causal Modeling and Machine Learning (Post-ICML workshop), Beijing, China. 

[66] S. Shimizu (23 May 2014)  A non-Gaussian approach for estimating possible causal direction in the presence of latent confounders. Conference on Statistics and Causality 2014, Vienna, Austria.
[slides]  

[65] 田中 直樹 + 清水昌平 + 鷲尾 隆 (2014年5月13日) 潜在クラスが存在する場合のベイズ的アプローチによる非ガウス因果構造推定法. 第28回人工知能学会全国大会, ひめぎんホール, 愛媛 (研究会主催者の依頼により 人工知能学会 第95回 人工知能基本問題研究会 (SIG-FPAI)においても発表)

[64] P. Blöbaum, S. Shimizu and T. Washio (24 Apr 2014) A performance comparison of generative and discriminative models in causal and anticausal problems. 17th International Conference on Artificial Intelligence and Statistics (AISTATS2014), Reykjavik, Iceland, 2014. Late-breaking posters track.

[63] S. Shimizu (17 Jan 2014) Introduction to non-Gaussian causal discovery methods. ATR (Advanced Telecommunications Research Institute International), Kyoto, Japan.

2013

[62] 清水昌平 (2013年12月2日) 因果構造探索に関する最近の発展. 奈良先端科学技術大学院大学 情報科学研究科 ゼミナールI.

[61] 清水昌平 + Kenneth Bollen (2013年11月12日) Estimation of causal direction in the presence of latent confounders using LiNGAM. 第16回情報論的学習理論ワークショップ(IBIS2013), 東京工業大学. ポスター発表.

[60] 清水昌平 (2013年9月23日) LiNGAMによる因果構造推定：潜在交絡変数がある場合. 科研費シンポジウム: Incomplete Data Analysis and Causal Inference, 大阪大学.

[59] 清水昌平 (2013年9月3日) 因果構造探索と非ガウス構造方程式モデル. 富士通研究所, 神奈川.

[58] N. Tanaka, S. Shimizu and T. Washio (8 Aug 2013) Estimation of causal direction in the presence of latent confounders using a Bayesian LiNGAM mixture model. Causality: Perspectives from Different Disciplines, Vals, Switzerland, 2013.

[57] 田中 直樹 + 清水昌平 + 鷲尾 隆 (2013年6月6日) 潜在交絡変数が存在する場合のベイズ的アプローチによる非ガウス因果構造推定法. 第27回人工知能学会全国大会, 富山国際会議場ほか.

[56] 門脇 健人 + 清水昌平 + 鷲尾 隆 (2013年6月6日) 経時データにおける非ガウス性を用いた因果構造探索. 第27回人工知能学会全国大会, 富山国際会議場ほか.

[55] 清水昌平 (2013年5月29日) 因果構造探索と非ガウス構造方程式モデル. 大阪大学 大学院基礎工学研究科 数理科学領域 統計解析グループ.

2012

[54] 清水昌平 (2012年11月17日) 因果構造探索と非ガウス構造方程式モデル. 人工知能学会 第87回 人工知能基本問題研究会 (SIG-FPAI), 慶應義塾大学 (招待講演)

[53] 清水昌平 (2012年10月3日) 因果構造探索に関する最近の発展: 非ガウス性の利用. データ科学特別セミナー, 大阪大学 大学院基礎工学研究科 数理科学領域 データ科学研究グループ.

[52] 田代竜也 + 清水昌平 + Aapo Hyvärinen + 鷲尾 隆 (2012年9月24日) 非ガウス構造方程式モデルにおける因果順序の推定: 潜在交絡変数に頑健な方法. 第3回Latent Dynamicsワークショップ, 東京大学.

[51] 清水昌平 (2012年9月13日) 構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展. 日本行動計量学会第40回大会, 新潟県立大学 (チュートリアル) 

[50] 清水昌平 (2012年7月18日) 非ガウス構造方程式モデルとその因果構造探索への応用. 待兼山コロキウム, 大阪大学 サイバーメディアセンター 大規模計算科学部門.

[49] 田代竜也 + 清水昌平 + 鷲尾 隆 (2012年6月15日) 非ガウス性を用いた線形非巡回なデータ生成過程部分の発見と同定. 第26回人工知能学会全国大会, 山口県教育会館.

[48] Kittitat Thamvitayakul + 清水昌平 + 鷲尾 隆 + 田代竜也 (2012年6月15日) Bootstrapping confidence intervals in linear non-Gaussian causal model. 第26回人工知能学会全国大会, 山口県教育会館.

[47] 清水昌平 (2012年3月21日) 構造方程式モデルによる因果構造探索: 非ガウス性の利用. 情報統計力学の最前線ー情報と揺らぎの制御の物理学を目指してー, 京都大学 (招待講演)

[46] 清水昌平 (2012年3月2日) 複数データセットによる非ガウス構造方程式モデルの推定. 科研費シンポジウム「生体数理・社会数理の統計科学」, 早稲田大学, 東京.

2011

[45] 鷲尾隆 + 稲積 孝紀 + 清水昌平 + 鈴木 譲 + 山本 章博 + 河原 吉伸 (2011年11月27日) 関数モデル上の統計的因果推論研究の現状. 第83回人工知能学会基本問題研究会(SIG-FPAI), 電気通信大学. 

[44] 鈴木譲 + 清水昌平 + 鷲尾隆 (2011年11月10日) 離散データの因果の同定 ～ 2値から、多値への一般化について ～. 第14回情報論的学習理論ワークショップ(IBIS2011), 奈良女子大学.

[43] 稲積孝紀 + 鷲尾隆 + 清水昌平 + 鈴木譲 + 山本章博 + 河原吉伸 (2011年11月10日) 分割表の独立性に基づく二値データ生成過程の推定法. 第14回情報論的学習理論ワークショップ(IBIS2011), 奈良女子大学.

[42] 稲積孝紀 + 鷲尾隆 + 清水昌平 + 鈴木譲 + 山本章博 + 河原吉伸 (2011年6月2日) 二値データに対するデータ生成過程の推定 . 第25回人工知能学会全国大会, 盛岡.

[41] 田代竜也 + 清水昌平 + 河原吉伸 + 鷲尾 隆 (2011年6月2日) 定常時系列データの非ガウス性を用いたARMAモデルによる変数間決定関係の解析. 第25回人工知能学会全国大会, 盛岡.

[code]

[40] Marina Demeshko + 鷲尾 隆 + 河原吉伸 + 清水昌平 (2011年6月2日) Analyzing relationships between CTARMA and ARMA models. 第25回人工知能学会全国大会, 盛岡.

2010

[39] 清水昌平 (2010年11月4日) 構造方程式モデルによるデータ生成過程の学習, 特に非ガウス性の利用. 第13回情報論的学習理論ワークショップ(IBIS2010), 東京大学. 企画セッション: データ生成過程の学習: 因果推論・特徴選択へのアプローチ. 

[スライド]

[38] 小松勇介 + 下平英寿 + 清水昌平 (2010年9月6日) ブートストラップ確率の計算誤差を修正するためのマルチスケール・ブートストラップ法： LiNGAM因果構造推定の場合. 2010年度 統計関連学会連合大会, 早稲田大学.

[37] 稲積孝紀 + 清水昌平 + 鷲尾 隆 (2010年8月19日) データの非ガウス性を用いる線形構造方程式モデルの探索法と事前知識の利用. ナノマクロ物質・デバイス・システム創製アライアンスキックオフシンポジウム, 大阪大学.

[36] S. Shimizu and Y. Kawahara (8 Jul 2010) Non-Gaussian methods for learning linear structural equation models. The 26th Conference on Uncertainty in Artificial Intelligence (UAI2010), Catalina Island, California, U.S.A, July 8-11, 2010 (Tutorial)

[slides] [references]

[35] 清水昌平 (2010年6月30日) 構造方程式モデリングによる因果構造探索. ERATO湊プロジェクト大阪オフィスキックオフシンポジウム, 大阪.

[34] 松田衆治 + Nguyen Ha Hon + 鷲尾 隆 + 河原吉伸 + 清水昌平 + 猪口明博 (2010年6月9日) 高次元確率空間における高精度期待値ベイス推定の検討. 第24回人工知能学会全国大会, 長崎.

[33] 稲積孝紀 + 十河泰弘 + 清水昌平 + 河原吉伸 + 鷲尾 隆 (2010年6月9日) データの非正規性を活用する因果構造探索法と事前情報の利用. 第24回人工知能学会全国大会, 長崎.

[32] 清水昌平 (2010年4月1日) データ生成過程の学習と非正規性 (仮)情報データ科学若手研究会, 大阪大学.

[31] 清水昌平 + 稲積孝紀 + 河原吉伸 + 十河泰弘 + 鷲尾 隆 (2010年3月24日) Some extensions of a non-Gaussian method for learning linear structural equation models. 物質・デバイス領域共同研究拠点 発足記念シンポジウム, 大阪大学. ポスター. 

2009

[30] 鷲尾隆 + 清水昌平 + 河原吉伸 + 猪口明博 (2009年11月13日) 統計的大規模因果推論の課題と非ガウス性に基づく挑戦. 人工知能学会 第75回 人工知能基本問題研究会 (SIG-FPAI), 電気通信大学. 

[29] S. Shimizu (Sep 2009) A non-Gaussian approach for learning probabilistic networks. International Symposium of Post-Silicon Materials and Devices Research Alliance Project, Osaka, Japan, 2009. ポスター.

[28] 小松勇介 + 清水昌平 + 下平英寿 (2009年9月) マルチスケール・ブートストラップを用いた信頼度計算： LiNGAMによる因果モデル探索の場合. 2009年度 統計関連学会連合大会, 同志社大学.

[27] S. Shimizu, A. Hyvärinen, Y. Kawahara and T. Washio (Jul 2009) Identification of an exogenous variable in a linear non-Gaussian structural equation model. The Fourth International Workshop on Data-Mining and Statistical Science (DMSS2009), Kyoto, Japan, 2009.

[26] 十河泰弘 + 清水昌平 + 鷲尾 隆 + 井元清哉 (2009年6月) 独立成分分析を用いた外生的発現遺伝子同定解析. 第23回人工知能学会全国大会, 高松.

[25] 小松勇介 + 清水昌平 + 下平英寿 (2009年3月) マルチスケール・ブートストラップを用いた信頼度計算: LiNGAMによる因果構造推定の場合. 第3回日本統計学会春季集会, 統計数理研究所. ポスターセッション.

2008

[24] 清水昌平 (2008年11月) 探索的因果ネットワーク推定法と非正規性. GCOEセミナー, 東京工業大学. 東京工業大学 GCOE 計算世界観の深化と展開.

[23] 清水昌平 + 鷲尾隆 + Aapo Hyvärinen + 井元清哉 (2008年9月) 大規模変数次元小標本データにおける外生変数の探索と独立成分分析. 2008年度 統計関連学会連合大会, 慶応義塾大学. 企画セッション: Webベースの統計環境と高度マイニング技法.

[22] S. Shimizu, P. O. Hoyer and A. Hyvärinen (30 Jun 2008) Linear non-Gaussian structural equation models. IMPS 2008, the 73rd Annual Meeting of the Psychometric Society, Durham, NH, U.S.A., 2008 (Invited lecture)

[slides] [erratum]

2007

[21] 清水昌平 (2007年9月) 独立成分分析と線形逐次モデルの探索. 2007年度 統計関連学会連合大会, 神戸大学. 企画セッション:「回転」研究の新「展開」.

[20] 清水昌平 (2007年3月) 未観測交絡変数があるときの非正規線形逐次モデルの探索. 研究会「統計学，機械学習の話題から」, 統計数理研究所.

2006

[19] S. Shimizu and A. Hyvärinen (Dec 2006) Discovery of linear acyclic models in the presence of latent classes using ICA mixtures. NIPS 2006 Workshop on Causality and Feature Selection, Whistler, Canada, 2006.

[18] 清水昌平 (2006年5月) 独立成分分析による線形逐次モデルの探索. 日本統計学会75周年記念シンポジウム, 東京大学. セッション5: 統計的因果推論と知識創造.

[17] 清水昌平 (2006年3月) Exploratory causal inference using ICA. 研究会「独立成分分析に関する理論と応用」, 統計数理研究所.

2004

[16] 狩野 裕 + 清水昌平 (2004年12月) Causal inference in observational studies using non-normality. 科研費シンポジウム: 観察研究および実験研究における因果推論, 東京大学.

[15] S. Shimizu, A. Hyvärinen and Y. Kano (3 Oct 2004) Independent component analysis and its application to causal analysis. Factor Analysis Centennial Symposium (FA100), Osaka, Japan, 2004 (Invited talk)

[14] 清水昌平 + 狩野 裕 (2004年9月) Non-normal structural equation modeling. 日本行動計量学会第32回大会, 青山学院大学.

[13] 狩野 裕 + 清水昌平 (2004年9月) ICA and non-normal factor analysis. 日本統計学会第72回大会, 富士大学.

[12] S. Shimizu, A. Hyvärinen and Y. Kano (Jun 2004) Exploratory causal inference using non-normality. International Meeting of the Psychometric Society (IMPS2004), Monterey, California, 2004.

[11] Y. Kano and S. Shimizu (Jun 2004) Between ICA and SEM. International Meeting of the Psychometric Society (IMPS2004), Monterey, California, 2004.

2003

[10] 清水昌平 + 狩野 裕 (2003年9月) 構造方程式モデリングにおける非正規性の利用. 日本行動計量学会第31回大会, 名城大学.

[9] 鳥居 稔 + 清水昌平 + 狩野 裕 (2003年9月) 情報処理教育におけるコンピュータ不安の分析-構造方程式モデリングによる因果推論と非正規性-. 日本行動計量学会第31回大会, 名城大学.

[8] 清水昌平 + 狩野 裕 (2003年9月) 独立成分分析における検証的アプローチ. 日本統計学会第71回大会, 名城大学.

[7] 宮本友介 + 狩野 裕 + 清水昌平 (2003年9月) 正規ノイズのある独立成分分析と非正規因子分析. 日本統計学会第71回大会, 名城大学.

[6] S. Shimizu and Y. Kano (Jul 2003) `Confirmatory' ICA. International Meeting of the Psychometric Society (IMPS2003), Cagliari, Italy, 2003.

[5] Y. Miyamoto, Y. Kano, S. Shimizu and A. Hyvärinen (Jul 2003) ICA with padded source signals and non-normal factor analysis. International Meeting of the Psychometric Society (IMPS2003), Cagliari, Italy, 2003.

[4] S. Shimizu and Y. Kano (Jul 2003) Use of non-normality in SEM. International Meeting of the Psychometric Society (IMPS2003), Cagliari, Italy, 2003.

2002

[3] 清水昌平 + 宮本友介 + 狩野 裕 (2002年9月) 構造のある独立成分分析-調査データへの適用可能性-. 日本行動計量学会第30回大会, 多摩大学.

[2] 宮本友介 + 清水昌平 + 西川康子 + 狩野 裕 (2002年9月) Analysis of Web access data with ICA. 日本行動計量学会第30回大会, 多摩大学.

2000

[1] 狩野 裕 + 清水昌平 (2000年10月) PCAからICAへ？ 日本行動計量学会第28回大会, 東京大学.