CausalSteward：用于因果发现的代理分而治之的副驾驶

从高维数据中学习因果模型是一项重大挑战，特别是在现实世界中，违反核心假设会导致因果可识别性问题。尽管有大量的先验知识可用，并且包含有价值的因果信息，但将这些知识有效地整合到因果发现过程中仍然是一个悬而未决的问题。我们引入了 CausalSTeward (CAST)，这是一种新颖的人机交互框架，用于交互式组装大型因果模型。 CausalSteward 是一个多智能体协作系统，通过分而治之的方法处理高维因果关系，其中大型变量簇被迭代划分，然后单独分析。我们的框架通过使用定制工具（例如检索增强生成和条件独立测试）将先验知识与数据驱动方法融合在一起。最后，我们利用这项工作来检查多智能体框架中因果推理的能力和局限性，以及人机交互如何为准确且值得信赖的结果做出贡献。