缓解因果结构学习中的先验错误：一种基于贝叶斯网络的弹性方法

因果结构学习（CSL）是一种通过贝叶斯网络（BNs）编码变量间因果关系的突出技术。尽管仅从数据恢复因果结构是一项挑战，但融合揭示部分结构真相的先验知识可显著提升学习质量。然而，当前基于先验知识的方法对先验中的错误表现出有限的弹性：硬约束方法完全忽略先验，软约束基于预定置信水平接受先验，这可能需要专家干预。为解决此问题，我们提出一种对边级先验错误具有弹性的 CSL 策略，从而最小化人工干预。我们将先验错误分类为不同类型，并在数据充分的假设下给出其对结构汉明距离（SHD）的理论影响。有趣的是，我们发现并证明先验错误的严重危害与一种唯一的无环闭结构相关，我们将其定义为“准圈”。利用这一洞见，我们采用一种事后策略，通过其对方差“准圈”增量的影响来识别先验错误。通过在真实与合成数据集上的实证评估，我们证明了我们的策略对先验错误的鲁棒性。具体而言，我们强调其在保持大多数正确先验的同时抵抗顺序反转错误的实质能力。