以因果機制解決AI開發與統計分析的「資料不足」問題

株式會社VELDT (總公司:東京都澀谷區，代表取締役 CEO:野々上 仁，以下簡稱 VELDT) 將於7月13日起，提供其自創因果AI平台「xCausal®」的一項新功能:「xCausal® 資料擴增功能」。此功能可從少量種子資料生成AI開發與統計分析所需的大規模資料。本功能應用了圖形因果模型 (GCM: Graphical Causal Model) 的特性，只要模型能準確捕捉目標領域的實際情況，就能從少量種子資料擴增成大規模資料集。此功能適用於醫療保健領域的罕見疾病研究等「變數眾多但病例稀少」的現場需求，以及製造、金融、基礎設施、移動出行等資料不足問題嚴重的領域。生成的資料內建「忠實度 (Fidelity)」驗證功能，可量化確認擴增資料對種子資料的忠實再現程度。

VELDT 自2026年起，將其使命宣言更新為「We power your business with WHY 〜 Redefining trust in the age of AI」(以「為何」洞察力驅動業務發展 〜 重塑AI時代的信任)。本功能以原因與結果的機制——「為何」為起點，是落實此理念的具體實踐之一。

xCausal® (Cross-Causal) 資料擴增功能畫面

背景:潛藏於所有產業的「資料不足」結構性課題

在AI與統計分析的現場，資料量不足的問題普遍存在。不良品、詐欺交易、設備故障、災害、罕見疾病——越是重要的決策事件，其發生頻率越低，資料越顯得不均衡且分布不均，導致預測模型可能忽略關鍵案例，這在各個領域都造成了挑戰。另一方面，近年普及的生成AI合成資料方法，需要大量學習資料才能建構高精準模型，這使得資料量少的現場反而難以使用。若從少量資料生成，容易僅止於對原始資料的複刻，且生成過程黑箱化，因此在醫療、金融等需要高度責任說明性的領域，採用門檻相當高。

將因果模型 (GCM) 作為「資料生成機制」運用

一般用於增加資料的常見方法，如GAN或VAE等，是透過參考大量資料來模仿其外觀 (分布) 的方法。它們無法捕捉「為何會產生該數值」的原因，因此當參考資料稀少時，準確度會下降，且生成過程也難以從外部解釋。相較之下,GCM (圖形因果模型) 則準備了資料如何透過原因與結果的連鎖而產生的藍圖，作為資料的生成機制。例如，透過嵌入「某個條件改變會導致下一個狀態改變，進而影響結果」的因果關係，即使只有少量種子資料，也能大量生成有邏輯性的資料。此外，對於每一個數值，都能解釋「為何會如此」。與模仿性方法的不同之處在於，即使是實際未曾觀測到的條件，也能根據藍圖產生合理的資料。

從因果機制生成與確認資料的一系列示意圖

本功能特色

1. 基於因果結構的擴增，而非僅模仿相關性

資料擴增以以下資料生成機制為起點。一般方法是模仿觀測到的相關性 (內插),而本功能則基於因果結構進行生成，因此即使種子資料量少也能運作，並能以因果結構解釋「為何會生成該資料」。甚至能生成實際上未發生但可能發生的介入與反事實情境，可用於應對稀有事件與壓力測試。

1 沒有父節點的變數 (根節點) ,從該變數的分布中取樣。

2 有父節點的變數 (子節點) ,透過函數或機器學習模型以父節點的值作為輸入進行計算，並加入雜訊來決定數值 (即函數型機制)。以公式表示為「子節點 = f(父節點) + 雜訊」。

3 重複此處理，從上游 (父節點) 到下游 (子節點) 依序進行，即可完成一筆資料 (一行)。

重複所需的筆數，即可在保持與種子資料相同因果關係的同時，擴增成大規模資料。

2. 忠實度 (Fidelity) 驗證功能

可從以下兩個觀點量化確認擴增的「合成擴增資料」對種子資料的忠實再現程度:

・各變數分布的相似度:將單變量分布與種子資料進行比較。

・變數間相關關係的比較:比較變數之間的相關性與依賴關係是否保持。

若需確認更高精確度，我們將提供預測模型實用性驗證作為專業服務。分別以種子資料與擴增資料建構相同的預測模型進行比較，從「是否能作為實際資料的替代品」的實用性觀點驗證擴增資料的品質。

※ 本功能中的「合成擴增資料」及忠實度評估概念，參考了英國國家統計局 (ONS) 所提出的合成資料定義與評估方法。

3. 因果AI平台「xCausal®」的可靠性與易用性

本功能的價值在於以因果AI平台「xCausal®」為基礎所發揮。xCausal® 是一款無需編碼、直觀易用的SaaS型因果AI平台，其基礎的因果模型工具在可靠性與易用性之間取得了平衡。透過結構性因果模型 (SCM) 為基礎的理論驗證因果推論、穩健性評估等功能，可快速建立可靠的模型。

4. 專業服務 — 因果模型建構支援、實用性 (Utility) 驗證等

VELDT 提供從本功能前提的因果模型 (GCM) 建構支援，到擴增資料的實用性驗證，提供一貫的專業服務。在因果模型建構方面，將進行共變量等必要變數與資料的篩選，以及模型建構支援等。在實用性 (Utility) 驗證方面，將分別以種子資料與擴增資料建構相同的預測模型進行比較，從「是否能作為實際資料的替代品」的觀點驗證擴增資料的品質。

前提條件與對象

本功能在基礎因果模型 (GCM) 或機制從專業角度來看是妥當的前提下才能有效運作。

・使用前提:若前提的因果模型與實際情況不符，可能生成錯誤的資料。本功能輸出品質取決於輸入的GCM的妥當性，請在網域專家驗證並確認因果結構後使用。

・對象資料:以表格形式的數值資料為對象。

・資料間的平衡:擴增品質也受種子資料中變數間平衡的影響。

請注意，若資料偏差較大，擴增結果也會反映該偏差。

對於AI-Ready資料的貢獻

近年來，能立即用於學習與推論的「AI-Ready資料」的重要性，在國內外政策上急速提升。AI-Ready資料不僅指資料量龐大，更指準確性、一致性、完整性皆有保障，且機器能理解其意義的高品質資料。為了讓AI抑制幻覺與偏差並提高準確性，需要大量此類高品質資料。日本政府於2025年12月23日閣議決定的首份「人工智慧基本計畫」(副標題「以可信賴的AI重振日本」),重點強調整備與擴充日本的優勢——高品質資料，以及確保AI的解釋性與透明性[1]。此外,2025年6月13日數位財政改革會議決定的「資料利用制度的方針」,以形成資料與AI的良性循環，實現「AI強化社會 (AI-Powered society)」為基本視點[2]。「xCausal 資料擴增功能」透過基於因果結構將少量優質種子資料擴增成大規模資料集，應對了「在保持品質的同時擴大規模」這一難題。此外，透過忠實度 (Fidelity) 驗證，可量化確認擴增後仍保持準確性與一致性，因此有助於整備兼顧量與質的AI-Ready資料。這項措施將有助於推動政府所倡導的，在因資料不足而未能推展AI應用的領域，形成資料與AI的良性循環。

【出處】

[1] 內閣府「人工智慧基本計畫」

[2] 數位財政改革會議「資料利用制度的方針」

應用領域與主要案例

預計將提供於醫療保健、新藥開發、金融、保險、實體AI・移動出行、製造業、社會基礎設施、防災、網路安全等，資料稀少性、不均衡性為課題的廣泛領域。例如，設想以下案例:

・製藥:外部對照組 (External Control Arm) 的生成

從數筆患者資料生成反事實資料，建構試驗的模擬對照組。

・金融:AML (反洗錢) 新手法耐受性測試

從因果圖生成尚未觀測到的詐欺模式，消除偵測模型的盲點。

・實體AI:物理整合邊緣案例生成

透過強制物理法則的擴增，從少量測量資料安全地量產物理上正確的事故資料。

岡山大學大學院保健學研究科 渡邊 彰吾 教授評論

在循環器領域的醫療決策中，儘管AI分析不斷進展，但僅依賴傳統的相關性預測，在判斷「何種治療介入最為最適當」時，其可靠性擔保仍是重大課題。VELDT公司提供的因果推論技術，能夠從複雜的臨床資料中建構因果機制的模型，即使是有限的真實世界資料，也能模擬出最佳的治療效果。此方法能大幅提升醫療AI的解釋性，並對循環器疾病個別化醫療的發展，成為重要的示範案例，我對此寄予厚望。

何謂因果AI平台「xCausal®」

服務網站: https://xcausal.com/

xCausal® (Cross-Causal) 是一款專為商業用戶設計的SaaS型因果AI (因果推論AI) 平台，即使非資料科學家也能無需編碼即可使用。搭載追求可靠性與易用性的智慧技術，具備從事前知識設定、因果探索、因果推論、穩健性評估、根本原因分析 (RCA),到因果AI的精髓CATE (條件平均處理效果) 的全方位功能。此外，透過對話式UI輸入提示詞，可透過AI代理人改善模型並使用因果AI的各種能力，配備了助理功能。VELDT亦提供客製化對應與解析代行等陪伴式專業服務。

關於株式會社VELDT

株式會社VELDT是一家資料科學公司，致力於透過「為何」的洞察力，加速解決社會問題與推動善意創新。作為因果AI的領導企業，提供解明因果關係的AI平台「xCausal® (Cross-Causal)」,以及將專業知識與組織的高階決策流程AI化的客製化解決方案「因果AI助理」。VELDT透過提供具備解釋性與說明性的「可信賴AI」,來打造對社會產生正面循環的AI。

代表取締役 CEO 野々上 仁

總公司 東京都澀谷區神宮前5-18-10 2-D

設立 2012年8月1日

URL https://veldt.jp