GENESIS：迈向可解释的因果发现

从观测数据中发现因果关系（CD）面临两个基本挑战。首先，纯粹的统计方法通常缺乏解决低样本情况下结构模糊性的能力。其次，尽管 LLM 辅助混合方法通过语义推理改进了结构恢复，但该推理对单个边缘决策的影响在很大程度上仍然不透明。因此，现有的混合方法无法满足一个基本要求：解释为什么在学习的有向无环图（DAG）中包含或排除特定边。这在实际应用中至关重要，因为在实际应用中不存在 真值 DAG，并且每个结构决策都必须经过独立论证。我们将这一要求形式化为决策可追溯性，要求每个推断的边缘都得到可审计的统计证据、马尔可夫毯一致性或显式域推理的支持。我们提出了 GENESIS，一个可解释的混合 CD 框架，它将图构造分解为可解释的决策点。 GENESIS 首先识别并评分三节点结构主题，包括链、分叉和碰撞器，以建立透明的结构先验，然后通过将这些先验与观察证据相结合来逐步细化图表，仅在统计证据不足时调用领域知识。按照设计，每个边缘决策都是通过可审计的证据来源来解决的。实验表明，GENESIS 在所有设置中实现了 100% 的决策可追溯性，将可解释性确立为因果发现的首要目标。尽管存在这一额外要求，但在结构汉明距离 (SHD) 方面，GENESIS 在所有样本体系的大多数基准数据集上始终优于纯统计 CD 方法，同时实现与最先进的 LLM 辅助方法相当的性能。