DAG（有向非巡回グラフ）とは、頂点と方向のある辺で構成され、どの頂点からスタートしても元の頂点に戻るループ（巡回）が発生しないグラフ構造のことです。AIやデータ工学の分野では、機械学習のパイプラインやニューラルネットワークの計算グラフ、因果推論のモデル化などに広く利用される重要な概念です。
DAG（有向非巡回グラフ）とは
DAG（有向非巡回グラフ）とは、要素間のつながりに「方向」があり、かつ、どの経路をたどっても元の場所に戻るループ（巡回）が存在しないデータ構造のことです。
詳しく解説
DAGは「Directed Acyclic Graph」の略称です。点（ノード）とそれらをつなぐ矢印（エッジ）で表現され、順序や依存関係を明確に示すことができます。AIやデータ工学においては、データの処理手順を定義する機械学習パイプラインや、深層学習におけるニューラルネットワークの順伝播・逆伝播の計算処理（計算グラフ）を表現するために極めて重要な役割を果たしています。また、統計的因果推論において変数間の因果関係を視覚化・数式化する際にもDAGが基本ツールとして用いられます。依存関係が一方通行であるため、並列処理の最適化や、無限ループの防止、トポロジカルソート（順序づけ）が容易になるという数学的・実用的なメリットがあります。
具体例・使われ方
AI開発やデータ分析における代表的な利用例は以下の通りです。 1. 機械学習パイプライン：データの収集、前処理、特徴量抽出、モデル訓練、評価という一連のプロセスをDAGとして定義し、Apache Airflowなどのツールで自動実行します。 2. 計算グラフ：PyTorchやTensorFlowなどのフレームワーク内部で、テンソル演算の依存関係をDAGで表現し、効率的な自動微分を行います。 3. 因果推論：変数間の因果効果を検証するため、因果DAGを用いて変数同士の因果関係（原因と結果）をグラフィカルに表現します。
似た用語との違い
木構造（Tree）との違い：木構造は1つの親ノードから枝分かれする制約がありますが、DAGは複数の親ノードから1つの子ノードへ合流することが許容されています。 巡回グラフ（Cyclic Graph）との違い：巡回グラフは矢印をたどると元のノードに戻るループが存在しますが、DAGにはそのような閉路（サイクル）が一切存在しません。AIモデルの計算処理においてループがあると無限ループに陥るため、明示的に区別されます。
注意点
DAGは静的な依存関係を表現するのには適していますが、再帰的なニューラルネットワークのように時間軸に沿って自分自身にフィードバックを行う動的なループ構造をそのまま表現することはできません。このようなモデルをDAGで扱う場合は、時間軸方向に展開（アンロール）してループを解消する必要があります。また、因果関係を表現する因果DAGの構築において、因果の方向性を誤って設定すると、バイアスが生じて不正確な分析結果をもたらすリスクがあります。