面向因果发现的动态专家导向模型平均
机器学习
2026-05-08 v2 人工智能
摘要
因果发现的实践者面临着算法选择困扰，缺乏明确的最佳选择。由于存在众多竞争性方法，集成 Ensembling 成为实际应用的自然策略。同时，现实场景常常违反常规因果发现算法所基于的假设，迫使依赖专家知识。鼓励最近将动态请求的专家知识和大语言模型（LLM）作为专家的最新工作，我们提出一种灵活的模型平均方法，将选择性专家查询集成到对多样化因果发现算法进行集成。关键在于，我们区分了边缘存在性和方向性，使该方法能够利用数据驱动发现和专家输入的互补优势。我们进一步考虑了对不完美专家有限访问的现实情况，利用算法间的不一致性在不确定性更大的情况下查询专家。实验表明，我们的方法在干净数据和噪声数据上均 consistently 优于强基准。代码和数据已提供于 https://anonymous.4open.science/r/expert-cd-ensemble-3282/。
引用
@article{arxiv.2601.16715,
title = {Dynamic Expert-Guided Model Averaging for Causal Discovery},
author = {Adrick Tench and Thomas Demeester},
journal= {arXiv preprint arXiv:2601.16715},
year = {2026}
}