Intuitionistic $j$-Do-Calculus in Topos Causal Models

あなたは、ある家の中で手がかりを探す探偵だと想像してください。ただし、見つかる手がかりは、自分が家のどの部屋に立っているかに完全に依存しています。ある部屋では、窓についた指紋が容疑者が侵入した証拠になりますが、隣の部屋では、その同じ指紋は清掃員による単なる汚れに過ぎません。これが、因果推論（causal inference）の本質です。因果推論とは、「何かが起こる」ことではなく、「何が何を cause（原因）しているのか」を突き止めようとする科学の一分野です。通常、探偵は一連の論理的規則（do-calculusと呼ばれます）を用いて、「もし容疑者の侵入を強制的に作り出したらどうなるか？」という問いに対し、通常の出来事の連鎖を精神的に断ち切ることで考えます。しかし、これらの規則は、世界全体を一望する単一の完璧な視点から見ていることを前提としています。

問題は、現実の世界は単一の部屋ではなく、多くの異なるコンテキスト（文脈）、すなわち「レジーム（体制）」を持つ建物であるということです。ある医療行為は、晴れた日の病院では効果を発揮するかもしれませんが、雨の日のクリニックでは失敗するかもしれません。あるグループに対して有効なルールが、別のグループに対しては崩れてしまうこともあります。科学者たちは、因果関係の連鎖の論理を失うことなく、これら異なる視点を一つに混ぜ合わせる方法を長らく求めてきました。彼らは、「このルールは『これらの』特定の部屋において成立しており、そしてこれらの部屋が建物全体をカバーしているのだから、このルールは建物全体においても成立する」と言えるシステムを必要としているのです。

これこそが、スリダール・マハデバン（Sridhar Mahadevan）の論文『Intuitionistic j-Do-Calculus in Topos Causal Models』が成し遂げたことです。著者は、標準的な因果関係のルールを取り上げ、それらを異なる環境に一つずつ適用し、それらの断片を再び繋ぎ合わせて一つの信頼できる真実へと編み上げるための、新しい数学的な「接着剤」を構築しています。

探偵の道具箱：単一の部屋から都市全体へ

この論文の魔法を理解するために、まずそれが使用する道具を見てみましょう。あらゆる近隣地域が独自の法律を持っている都市を想像してください。「観測地区」では、自然に起こることを観察することしかできません。「介入地区」では、何かが変化するかを見るために、物理的に物事を動かすことができます。

従来のやり方（古典的な do-calculus と呼ばれます）では、一つの地区を選んでそこに留まらなければなりませんでした。もし新しい政策が犯罪率の低下を引き起こしたかどうかを知りたい場合、データが単一の、一貫した世界から来ていると仮定しなければなりませんでした。しかし、もしあなたのデータが、バラバラで混沌とした混合物だったらどうでしょう？ データの一部は雨の日のもので、別の一部は晴れた日のものだったら？

この論文は、j-stability という新しい概念を導入しています。これは、あなたの論理における「セーフティネット」のようなものです。論文は「このルールはどこでも真か？」と問うのではなく、「このルールは、それらを組み合わせれば全領域をカバーできる特定のローカルな地図の上で真か？」と問うのです。

この論文の新しいシステムがどのように機能するかを、遊び心のある比喩を使って説明します：

1. レジームの地図（サイト / Site）
世界は巨大なパズルのようです。ただし、平らなピースではなく、異なる「レジーム」やコンテキストを持つピースです。一つのピースは「観測データ」、別のピースは「実験データ」、そして別のピースは「特定の病院からのデータ」です。論文の言語では、これらは**ステージ（stage）またはチャート（chart）**と呼ばれます。著者はこれらを単なるデータの山としてではなく、一つのコンテキストから別のコンテキストへと移動できる、つながりのあるネットワークとして扱っています。

2. ローカルなルール（チャートごとの意味論 / Chartwise Semantics）
個々のパズルピース（各レジーム）の上では、著者は標準的で信頼できる因果関係のルールを使用します。「観測的」なピースにいる場合は、二つの事象が独立しているかどうかを見るために標準的な論理を用います。「介入的」なピースにいる場合は、変化を強制したときに何が起こるかを知るために標準的な論理を用います。論文は、これらのローカルなピースのために新しいルールを捏造するのではなく、すでに信頼しているルールを使用することを主張しています。

3. 接着剤（層理論と降下 / Sheaf Theory and Descent）
これが最も独創的な部分です。論文はこう問いかけます。「もしあるルールが『観測的』なピースにおいて真であり、かつ『介入的』なピースにおいても真であり、さらにこれら二つのピースが意味のある形で重なっているならば、そのルールはパズル全体において真であると言えるだろうか？」

答えは「イエス」ですが、それはピースが完璧に適合している場合に限られます。著者は、ローカルな真実が互いに矛盾しないようにするために、層理論（sheaf theory）（非常に厳格で高品質な接着剤と考えてください）という数学的概念を使用しています。もしローカルな真実が重なり合う部分で一致していれば、「接着剤」によってそれらを単一のグローバルな真実へと**降下（descent）させることが可能になります。これを降下（descent）**と呼びます。

この論文が実際に明らかにしていること

この論文は、**局所から全体への健全性定理（local-to-global soundness theorem）**を証明しています。平易な言葉で言えば、これは以下のことを意味します：

• もし、あなたが（全体を一度に見ることができなくても）ある因果ルール（例：「変数Aが変数Bを引き起こす」）を、全体をカバーする一連のローカルな地図（J-cover）の上で検証できるならば……
• そして、これらの地図間を移動する方法が因果構造（同じ変数やルールを維持することなど）を保存しているならば……
• それならば、たとえ全体像を一度に見ることができなくても、そのルールが状況全体において成立していることが数学的に保証されるのです。

著者は、この手法をパール（Pearl）の有名な3つのルールに適用しています。これらのルールは、方程式の中で「行動（薬など）」を「観察（症状など）」に置き換えることができる条件を示しています。論文は、これらのルールが、これらがローカルな地図上で真である限り、この複雑でマルチレジームな世界においても依然として機能することを示しています。

この論文が明確に拒絶していること

この論文が何を「しない」のかを知っておくことは極めて重要です。なぜなら、著者は非常に注意深く境界線を引いているからです。

• すべてを解決すると主張しているわけではありません。 論文は、これが「健全性（soundness）」の定理であることを明記しています。つまり、いつルールを使うのが「安全か」を教えてくれるものであり、あらゆる可能な因果的回答を見つけ出すことができる「完全性（completeness）」の定理であるとは主張していません。この手法では到達できない因果的真実が存在する可能性があります。
• 「介入（Intervention）」と「条件付け（Conditioning）」が同じものであるとは言っていません。 高度な数学において、人々は「行うこと（doing）」と「見ること（watching）」を（Kan拡張などの概念を用いて）コインの両面のように扱うことがあります。しかし、この論文はそれを明確に拒絶しています。著者は、介入とはメカニズムの物理的な置き換え（機械の部品を交換することなど）である一方、条件付けとはデータの特定の切り口を見ることであると主張しています。これらは異なる操作であり、論文はその境界を曖昧にすることを拒んでいます。
• 世界が常に「ブール的（白か黒か）」であるとは仮定していません。 標準的な論理では、命題は真か偽のいずれかです。しかし、この新しい枠組みでは、命題は（単純なバイナリの意味でのグローバルな真実ではなく）「カバーの上で真（true on a cover）」である可能性があります。この論理は、オン・オフのスイッチではなく、調光器（ディマー）のように、より柔軟です。

結論：世界を縫い合わせる新しい方法

この論文は、今すぐあなたのコンピュータで実行できる新しい薬やアルゴリズムを提供しているのではありません。その代わりに、世界が複雑で断片化している場合に、因果推論について考えるための新しい論理的枠組みを提供しています。

天気を予測しようとしていると想像してください。ビーチの予報、山の予報、街の予報があります。もしビーチの予報が「晴れ」で、山の予報も「晴れ」であり、それらが意味のある形で重なっているなら、あなたは自信を持って「どこも晴れだ」と言えます。しかし、もしビーチが「晴れ」で、山が「雨」であれば、単に推測することはできません。

マハデバンの論文は、それらのローカルな予報を一つのグローバルな予測へと縫い合わせることが「いつ」許されるのかについて、厳密な数学的証明を提供しています。もし、すべての特定のコンテキスト（「チャート」）において因果関係のローカルなルールが成立しており、そしてそれらのコンテキストが全体像をカバーしているならば、その因果的結論はシステム全体に対して妥当である、ということを証明しているのです。

著者は、これが理論的なブレイクスルーであることを注意深く述べています。論文は、あなたがすでにローカルな地図とカバーを持っていることを前提としており、生のデータからそれらを見つけ出す方法については教えていません（それは別の論文の仕事です）。しかし、雨の日と晴れの日で挙動が変わる自動運転車のように、異なる環境をまたいで因果関係を推論する必要があるAIや機械学習システムを構築しようとしている人々にとって、この論文は、その論理が崩れないようにするための不可欠な「接着剤」を提供しています。

要するに、この論文はこう言っています。「真実を知るために、単一の完璧な視点を持つ必要はない。もし、互いに適合する十分な数のローカルな視点を持っているならば、真実はその接着剤から浮かび上がってくるのだ」と。