ディンリン・ヤオ (Dingling Yao) 氏およびアニマ・アナンドクマール (Anima Anandkumar) 氏ら研究者チームは2026年9月29日(現地時間)、制御された実験データなしで科学的な反実仮想予測を可能にするフレームワーク「ReRoute」に関する論文を発表した。このReRouteは、事実データと部分的なメカニズム知識を組み合わせ、事前学習済みバックボーンの入力を調整することで、相関する入力が独立して変化する際の予測精度問題を解決するとされる。
従来の科学的予測モデルは、観測データに対しては高い精度を示すものの、条件や介入が変化した場合の「もしも」の問い（反実仮想クエリ）への対応は困難という課題があった。これに対し、ReRouteは、事前学習済みモデルの照会された入力を参照値に固定し、既知のメカニズム経路を通じてその変動を再導入する。その後、元の事実データでファインチューニングすることで、下流の効果を学習されたダイナミクスに委ねる手法を採用する。
研究チームは、このアプローチの因果的特定結果を明示的な構造的仮定のもとで提示し、その主要な論拠はLeanで機械検証済みである。ReRouteは、正確な応答が期待できる制御された移流拡散方程式系において、高い精度で反実仮想予測を達成した。
最先端の気候エミュレーションへの応用事例では、ReRouteは厳しいCO$_2$分布シフト下において、集計された気候誤差を18.2%から31.8%削減する性能を示した。この際、標準条件下での性能も維持されている。この成果は、追加の制御シミュレーションでモデルを再トレーニングするコストのごく一部で達成されており、通常そのようなデータ生成にかかる多大な費用は考慮されていない点も特筆される。
さらに、反実仮想参照が存在しない歴史的なERA5再解析データから訓練されたエミュレーターにおいても、ReRouteは固定CO$_2$の反実仮想条件下で、観測された境界条件が示唆する地表温暖化をより多く保持することが示された。このフレームワークは、気候科学などの分野における、これまで予測が困難だった反実仮想シナリオの理解を深める可能性を秘めている。
参考: arXiv cs.LG (アーカイブ) — 2026年10月5日 13:00 (JST)
原文ハイライト"Counterfactual Predictions in Scientific Emulators Without Controlled Experiments"