从Guess2Graph：有限样本中不可靠专家如何安全提升因果发现
机器学习
2025-10-17 v1 人工智能
摘要
因果发现算法在样本有限时往往表现不佳。虽然将专家知识(包括来自大语言模型)整合为约束有望提升性能，但现有方法的理论保证要求专家预测完美或提供不确定性估计，使其在实际应用中不可靠。我们提出Guess2Graph(G2G)框架，该框架利用专家猜测引导统计检验序列，而非取代统计检验，从而维持统计一致性并实现性能提升。我们发展了G2G的两种实现：PC-Guess通过增强PC算法实现，gPC-Guess是一种学习增强变体，旨在更好地利用高质量专家输入。理论上，两种方法无论专家错误程度如何，都能保持正确性；而gPC-Guess在专家“优于随机”时，能够在有限样本中严格优于其非增强版本。实验方面，两种方法都显示出随专家准确性单调提升的趋势，其中gPC-Guess实现了显著更大的提升。
关键词
引用
@article{arxiv.2510.14488,
title = {From Guess2Graph: When and How Can Unreliable Experts Safely Boost Causal Discovery in Finite Samples?},
author = {Sujai Hiremath and Dominik Janzing and Philipp Faller and Patrick Blöbaum and Elke Kirschbaum and Shiva Prasad Kasiviswanathan and Kyra Gan},
journal= {arXiv preprint arXiv:2510.14488},
year = {2025}
}