将嘈杂的成对知识耦合到 DAG 后验以进行因果发现

外部因果报告可以改善从有限观察中进行结构学习，但其可靠性因来源和变量对而异。我们引入 HB-NoisyKG，这是一个贝叶斯框架，它将观测数据与来自大语言模型等来源的重复因果报告相结合。每个报告都是对一个 DAG 隐含的直接对状态的噪声观察。特征条件 Beta 先验汇集了有关对可靠性的信息，共享误差矩阵捕获了系统错误。交替推理使用后验图来细化可靠性估计，从而确定报告如何影响后续图更新。报告似然仅使用图对状态边缘，因此同一观察层支持仅图推理和联合推理中的离散和连续似然。与 80 次重新启动的无 KG 基线相比，HB 最多使用 80 次重新启动，并将五个离散基准的平均 SHD 从 22.39 降低到 16.06。在具有随机变量 ID 和保留描述的物理光隧道上，HB 将 SHD 从无 KG 的 39.00 降低到 27.30。在连续 Sachs 上，仅图 BGe 使 AUROC 比无 KG Top-K 提高了 0.121。在一项受控综合研究中，与一次性估计相比，持续更新还可以减少平均可靠性估计误差，并且留出报告对数损失。