Our research group in Data Science and AI develops mathematical methodologies to elucidate the causal mechanisms underlying natural phenomena and human behavior. In particular, we focus on creating statistical methods for estimating causal relationships from observational data obtained outside the context of randomized experiments, aiming to establish a new methodological framework that transcends conventional limitations. Additionally, through collaboration with researchers in a broad range of disciplines, we strive to contribute to solving problems in both basic sciences—such as the natural and social sciences—and applied fields including engineering and medicine.

データサイエンス・AIの研究室です。特徴は、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です。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-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  IJCNN2025

• 学生向け情報

• 産学連携等につきまして

• 因果探索アプリケーション「Causalas」

• 機械学習社会人博士説明会 (2025年2月21日開催)

• 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

• 第15回情報系研究会, 理化学研究所

• Causal models and prediction in cell line perturbation experiments
  J. Long, Y. Yang, S. Shimizu, T. Pham, and K.-A. Do, BMC Bioinformatics, 2025

• ゼミ生の辻さん、武田さん、畑中さんがNEC Analytics Challenge Cup 2024 データ活用コンテストで優秀賞

• 統計的因果推論研究の最先端, 愛媛大学

• Causal discovery with hidden variables based on non-Gaussianity and nonlinearity
  T. N. Maeda, Y. Zeng, and S. Shimizu, Dependent Data in Social Sciences Research, 2024

• Use of prior knowledge to discover causal additive models with unobserved variables and its application to time series data
  T. N. Maeda and S. Shimizu, Behaviormetrika, 2024

• 6th Pacific Causal Inference Conference (PCIC 2024), Shanghai, China

• First Seoul-Hikone Joint Seminar on Causal Inference, 2024

• Causal-learn: Causal discovery in Python
  Y. Zheng, B. Huang, W. Chen, J. Ramsey, M. Gong, R. Cai, S. Shimizu, P. Spirtes, K. Zhang,  JMLR Machine Learning Open Source Software, 2024

• Counterfactual explanations of black-box machine learning models using causal discovery with applications to credit rating
  D. Takahashi, S. Shimizu, and T. Tanaka, IJCNN2024. Accepted. 

• Scalable counterfactual distribution estimation in multivariate causal models
  T. Pham, S. Shimizu, H. Hino, T. Le, CLeaR2024

• 「因果とは何かー哲学・数学・物理から考える」 東北大学

• ゼミ生の嶋倉さんが学長賞を受賞

• Causal discovery with hidden variables based on non-Gaussianity and non-linearity
  T. N. Maeda, Y. Zeng, and S. Shimizu. In Dependent Data in Social Sciences Research (2nd edition), Springer, 2024

• CMStatistics 2023, Berlin, Germany

• 機械学習社会人博士説明会 (2024年2月2日開催)

• 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)

• Linkages among the Foreign Exchange, Stock, and Bond Markets in Japan and the United States
  Y. Jiang and S. Shimizu, Causal Analysis Workshop 2023 (CAWS2023)

• 理研和光地区一般公開2023: 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年度統計関連学会連合大会 企画セッション アカデミアと企業との共同研究: 研究・教育・産学連携の循環の実践

• AI・データ利活用研究会 第48回: 統計的因果探索の概要と役割

• 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

• 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: 統計的因果探索とAI

• 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
  Proc. 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」
  スライド
  動画

• 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, Online

• 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