Fujitsu Causal Knowledge Graph：データドリブンな意思決定を変革する因果ナレッジグラフ技術のホワイトペーパーを公開
| 項目 | 内容 |
|---|---|
| 論文ID | D02 |
| 区分・分類 | 業界資料・知識グラフ構築 |
| 著者・所属 | 富士通株式会社 富士通研究所 人工知能研究所。執筆責任者：横尾郁（コグニティブグラフ コアプロジェクト）、執筆者：小川雅俊、丸橋弘治、太田唯子、高木拓也 ほか12名、監修：井形伸之（p.31） |
| 発表先 | 富士通（研究・技術記事） |
| 発表日 | 2024-10-17（記事公開日。PDFは第1版 2024年10月発行） |
| 引用数 | -（OpenAlex 2026-10-06時点） |
| 言語 | 日本語 |
| URL | https://global.fujitsu/ja-jp/technology/research/article/topics/202410-causal-knowledge-graph |
| 論文/pdf/D02.pdf（記事ページからリンクされたホワイトペーパー日本語版、全36ページ） | |
| 読んだ範囲 | 全文（記事ページ本文＋ホワイトペーパーPDF全36ページ。図は画像のためキャプションと本文の説明で補った） |
論文タイプ
その他（企業ホワイトペーパー）。因果ナレッジグラフの概念提唱と自社技術群・適用事例の紹介が中心で、手法の詳細な定式化や定量評価は含まない。
研究の目標
- 背景：意思決定には自組織外も含む多様なデータを統合し、因果関係に基づいて推論する必要がある。LLMは一般知識に基づくため特定分野の最新データに基づく意思決定には不向きで、相関だけでは疑似相関・潜在的共通因子のため論理的な意思決定ができない。因果関係の整備には有識者の膨大な確認作業が要る
- 既存2技術の限界
| 限界 | 内容 |
|---|---|
| 限界1 | 文献からの因果抽出は定性的で、結果の発生確率・影響度を予測できない |
| 限界2 | データのみの統計的因果探索は、バイアスやデータ不足で原因と結果が逆転しうる |
| 限界3 | 観測条件が異なる複数データ群を結合して因果を導けない |
- 到達点：「ナレッジグラフ」と「因果分析」を融合した「因果ナレッジグラフ」に、文献由来の既知の因果とデータ由来の未知の因果を統合して格納し、データに基づく効率的な意思決定を実現する
技術的なやり方
データ構造（図5）：ノード＝事象、エッジ＝因果（原因→結果）の3つ組が基本形。オプションで因果効果（数値）、メタ情報（グラフ名・抽出元データソース・作成プログラム・観測条件・平均/分散）、媒介・副作用を付ける。文献とデータの双方に現れる事象を同一事象として重ね合わせ、複数ソースを統合する。
技術群（「現在構想段階にあり、基本機能の一部が実装」と明記）
| 区分 | 技術 | 中身 | 入力→出力 |
|---|---|---|---|
| 構築 | 文献からの因果抽出 | 学習データ不要。因果のナレッジグラフスキーマを事前定義し、フロー変換技術（スキーマ→処理フロー）とプロンプト変換技術（→LLM指示プロンプト）でLLMの文書分析を繰り返してKGを構築 | 文書→因果KG |
| 構築 | 統計的因果探索 | 特定条件のデータにのみ成り立つ因果を、全条件の高速列挙で探索。ニューラルネットワークによる非線形因果探索、ABM（エージェントベースモデリング）との融合も | 多変数数値データ→因果グラフ |
| 構築 | 統合因果探索 | データセット間の共通変数を鍵に背後の分布を推定し、変数セットの異なる複数データセット（例：病院ごとの健診データ）を統合 | 多変数数値データ→因果グラフ |
| 構築 | 因果知識転用 | 因果KGから、対象データに最も矛盾の少ない因果を前提知識として自動取得 | 数値データ＋候補因果→因果グラフ |
| 構築 | 因果知識化 | 文献由来・データ由来の因果に出現する事象をエンティティ化して関係付け、統合 | 両方の因果→因果KG |
| 活用 | 根本原因分析 | 因果KGを探索・参照して原因候補を列挙し、影響や確認手順も提示 | 因果KG→根本原因 |
| 活用 | 因果意思決定 | 目標達成に最も効果の高い施策を、最小コストかつ目標外項目への悪影響を抑えるよう最適化して推薦 | 因果KG＋目標値→施策 |
| 活用 | 因果ナレッジグラフ推論 | 因果KGをサブグラフ群に分割してRAGの検索対象にする「ナレッジグラフ拡張RAG」 | 因果KG＋質問→回答文 |
適用事例（5章）
| 事例 | データ | 技術 |
|---|---|---|
| ネットワーク障害原因分析 | トラブルシューティングガイド・仕様書・マニュアル | 文献からの因果抽出、根本原因分析。「Kozuchi」でWebアプリ「Fujitsu ナレッジグラフ拡張RAG for Root Cause Analysis」として公開 |
| 商談データ×エンゲージメントサーベイ | 商談の詳細と勝敗、エンゲージメントサーベイ | 統計的因果探索、統合因果探索、因果意思決定 |
| 睡眠とライフスタイル | 弘前健診因果ネットワーク（京都大学がベイジアンネットワークで構築）、Sleep Health and Lifestyle Dataset | 統計的因果探索、因果知識転用 |
結果
- 条件列挙型の統計的因果探索を富岳に実装し、従来4,000年かかっていた計算を1日以内に完了。ヒトの約20,000遺伝子に適用し、肺がんの薬剤耐性に関する新たな知見を得た。大腸がんの遺伝子発現データでは分類に重要とされる遺伝子を自動で特定
- 睡眠とライフスタイル事例：因果知識転用ありでは外生因子が「年齢」「性別」「歩数」となり直観と相違しない。なしでは外生因子が「不眠症」のみで、「睡眠時間→年齢」「収縮期血圧→拡張期血圧」など妥当でない因果が出た（定性比較で、数値指標はなし）
- 商談事例：商談成功率を10%上げる施策を因果意思決定で出力した例を提示。統合因果グラフ（図14）は「モデルケースであり、実態を表すものではない」と明記
- ネットワーク障害事例：復旧までの時間を「大幅に短縮できる」とするが数値なし
- 因果抽出の精度、通常のRAGとの回答精度比較など、構築・活用技術の定量評価の数値は記載なし。「『やりがい』が5ポイント向上」は未来シナリオ（3.3節）内の記述で、実験結果ではない
限界・課題
- 関連技術は構想段階で、基本機能の一部が実装された段階
- 因果KGが大規模化し関係が複雑になると、解釈・推論への活用が難しくなる（推論技術開発の動機として記述）
- 変数が数千・数万になると、列挙や因果探索に膨大な計算量が必要
- LLMによる統計的因果探索の高度化は課題が多い。LLMは相関と因果の論理的区別の性能が著しく低いという報告がある（技術動向として）
- 根本原因分析はクラウドシステム、工場機器運用などへ適用先を拡張する予定
要点
文献からLLM＋スキーマ駆動で抽出した既知の因果と、データから統計的因果探索で推定した未知の因果を、事象をノードとする1つのナレッジグラフに統合し、根本原因分析・施策推薦・ナレッジグラフ拡張RAGに使う富士通の構想。構想段階で、定量的な結果は富岳での高速化など一部に限られる。