语义先验何时应进入部分识别的因果发现？

arXiv:2611.14736v1 公告类型：新 摘要：观察因果发现常常导致因果方向未解决或不稳定。大型语言模型（LLM）可以提供语义信息来解决这些方向，但不正确的建议可能会排除真正的因果图并使下游推理无效。我们研究三个独立的决策：在哪里分配语义查询、接受哪些建议以及保留哪些因果图。我们的框架区分总体不可识别性和有限样本不稳定性，根据统计和随机控制评估语义方向，并检查校准准入和容错 DAG 保留。跨基准网络的实验表明，语义信息可以改善硬币翻转方向的恢复，但针对不稳定的边缘与匹配随机分配相比没有确定的优势。测试的准入证书无法支持具有可用校准任务的重要准入。此外，下游保留取决于参考的充分性：学习的参考仅在 80 个计划任务中的三个中包含真正的 DAG。这些发现将语义信息的价值与其分配、接纳和保留的可靠性分开，并将校准大小和参考充分性确定为关键限制。