因果發(fā)現(xiàn)作為辯證聚合：定量論證框架

Causal Discovery as Dialectical Aggregation: A Quantitative Argumentation Framework

因果發(fā)現(xiàn)作為辯證聚合：定量論證框架

https://arxiv.org/pdf/2604.23633

摘要

基于約束的因果發(fā)現(xiàn)在有限樣本條件下是脆弱的，因?yàn)殄e(cuò)誤的條件獨(dú)立性（CI）判定可能會(huì)級(jí)聯(lián)引發(fā)重大的結(jié)構(gòu)錯(cuò)誤。我們提出了面向因果發(fā)現(xiàn)的定量論證（Quantitative Argumentation for Causal Discovery, QACD），這是一個(gè)語(yǔ)義驅(qū)動(dòng)的框架，它將CI結(jié)果表示為分級(jí)的、可廢止的論證，而非不可逆的約束。QACD將統(tǒng)計(jì)檢驗(yàn)結(jié)果映射為論證強(qiáng)度，并通過(guò)連通性介導(dǎo)的見(jiàn)證傳播聚合沖突證據(jù)，從而在候選鄰接關(guān)系上產(chǎn)生不動(dòng)點(diǎn)的可接受性標(biāo)注。在標(biāo)準(zhǔn)基準(zhǔn)貝葉斯網(wǎng)絡(luò)上的實(shí)驗(yàn)表明，QACD在若干噪聲或不一致CI條件下提高了結(jié)構(gòu)連貫性與干預(yù)可靠性，同時(shí)在與經(jīng)典的基于約束方法、混合方法以及先前基于論證的基線相比時(shí)仍保持競(jìng)爭(zhēng)力。

1 引言

因果發(fā)現(xiàn)是從觀測(cè)數(shù)據(jù)中推斷因果結(jié)構(gòu)的任務(wù)，是人工智能中的一個(gè)核心問(wèn)題，因?yàn)樗雇评硐到y(tǒng)能夠超越統(tǒng)計(jì)關(guān)聯(lián)，走向干預(yù)與反事實(shí)推理（Neuberg 2003; Yang et al. 2025）。其目標(biāo)是從來(lái)自未知聯(lián)合分布的獨(dú)立同分布（i.i.d.）樣本中重建底層的有向無(wú)環(huán)圖（DAG），或更實(shí)際地重建其馬爾可夫等價(jià)類——通常表示為完成部分有向無(wú)環(huán)圖（CPDAG）。此類因果模型支撐著從基因調(diào)控網(wǎng)絡(luò)分析（Sachs et al. 2005）到經(jīng)濟(jì)與社會(huì)政策評(píng)估（Athey and Imbens 2017）的各類應(yīng)用。

文獻(xiàn)中主要存在兩種范式?；谠u(píng)分的方法搜索使懲罰似然評(píng)分最大化的圖（Chickering 2002; Zheng et al. 2018），而基于約束的方法則通過(guò)檢驗(yàn)條件獨(dú)立性（CI）關(guān)系來(lái)推斷結(jié)構(gòu)（Spirtes, Glymour, and Scheines 2000; Colombo, Maathuis, and others 2014）。在后一類方法中，彼得-克拉克（PC）算法因其效率與漸近保證而保持典范地位：在標(biāo)準(zhǔn)假設(shè)下，當(dāng)CI查詢由預(yù)言機(jī)（oracle）回答時(shí)，PC是健全且一致的。然而在實(shí)踐中，從統(tǒng)計(jì)檢驗(yàn)獲得的CI證據(jù)本質(zhì)上是不確定的。有限樣本、測(cè)量誤差以及檢驗(yàn)假設(shè)與數(shù)據(jù)之間的不匹配，通常會(huì)同時(shí)產(chǎn)生虛假獨(dú)立與虛假依賴。然而，基于約束的流程仍以單調(diào)方式處理已接受的CI陳述：一旦一條邊被移除或分離集被固定，后續(xù)證據(jù)便無(wú)法推翻該承諾。在有限樣本下，這種單調(diào)推理是脆弱的，因?yàn)樵缙诘腃I錯(cuò)誤會(huì)累積成全局不一致的承諾（Ling et al. 2024），并在后續(xù)的方向確定步驟中級(jí)聯(lián)（Ding et al. 2024; Uhler et al. 2013）。

我們認(rèn)為，這種脆弱性源于一個(gè)根本性的概念錯(cuò)配：不確定的統(tǒng)計(jì)推斷被當(dāng)作硬性邏輯約束來(lái)處理，而非可廢止的證據(jù)（Uhler et al. 2013）。因此，因果發(fā)現(xiàn)應(yīng)被重新構(gòu)建為可廢止推理問(wèn)題，而非純粹的約束滿足問(wèn)題。

這激發(fā)了一種論證理論視角，其中CI結(jié)果被表示為分級(jí)的證據(jù)片段，其沖突必須通過(guò)辯證方式解決（Dung 1995; Pollock 1987; Wang and Shen 2025）。然而，論證在因果發(fā)現(xiàn)中的現(xiàn)有應(yīng)用大多集中于后期階段（如邊定向），或側(cè)重于定性而非定量證據(jù)（Russo, Rapberger, and Toni 2024）。因此，在很大程度上仍未被探索的是：如何通過(guò)顯式的論證語(yǔ)義，將分級(jí)的統(tǒng)計(jì)證據(jù)直接整合到骨架發(fā)現(xiàn)階段。

為填補(bǔ)這一空白，我們提出了面向因果發(fā)現(xiàn)的定量論證（QACD），該方法通過(guò)辯證聚合不確定的CI證據(jù)來(lái)評(píng)估候選鄰接關(guān)系。其主要貢獻(xiàn)如下： ? 對(duì)基于CI的因果發(fā)現(xiàn)的定量論證形式化。CI結(jié)果被解釋為分級(jí)的、可廢止的論證，而非不可逆的約束，從而支持在不一致統(tǒng)計(jì)證據(jù)下的推理。 ? 連通性介導(dǎo)的傳播衰減。我們引入了一種依賴結(jié)構(gòu)的沖突機(jī)制，全局圖上下文通過(guò)該機(jī)制調(diào)節(jié)局部CI主張的強(qiáng)度。 ? 用于骨架修正的不動(dòng)點(diǎn)辯證語(yǔ)義。邊的可接受性通過(guò)有限視界或收斂更新進(jìn)行修訂，產(chǎn)生一個(gè)反映聚合證據(jù)沖突而非貪婪刪除的穩(wěn)定骨架。

本文的其余部分組織如下。第2節(jié)回顧因果圖與定量論證背景。第3節(jié)介紹QACD及其辯證語(yǔ)義。第4節(jié)對(duì)該方法進(jìn)行經(jīng)驗(yàn)評(píng)估，隨后是相關(guān)工作與結(jié)論。

2 預(yù)備知識(shí)

本節(jié)回顧了全文使用的因果圖（causal-graphical）和論證理論（argumentation-theoretic）概念，并固定了符號(hào)表示。

2.1 因果圖

雖然馬爾可夫假設(shè)允許我們從圖中讀取獨(dú)立性，但為了從觀測(cè)到的獨(dú)立性中推斷圖結(jié)構(gòu)，我們還需要其逆命題。

雖然我們將忠實(shí)性（faithfulness）作為一個(gè)背景理想化假設(shè)，但我們的框架是明確設(shè)計(jì)用于在有限樣本情形下運(yùn)行的，在這種情況下，由于統(tǒng)計(jì)誤差，CI（條件獨(dú)立性）測(cè)試結(jié)果可能會(huì)違反忠實(shí)性。

定向規(guī)則 (Meek)。 給定一個(gè)無(wú)向骨架和一組分離集，標(biāo)準(zhǔn)的基于約束的因果發(fā)現(xiàn)過(guò)程應(yīng)用一組健全的圖定向規(guī)則，稱為 Meek 規(guī)則 (Meek 1995)，以定向所有強(qiáng)制邊并獲得代表相應(yīng) MEC 的唯一 CPDAG。這些規(guī)則是確定性的、純圖形的，并且不引入額外的統(tǒng)計(jì)假設(shè)。

條件獨(dú)立性檢驗(yàn)和 p 值。 在整篇論文中，CI 關(guān)系是使用標(biāo)準(zhǔn)統(tǒng)計(jì)檢驗(yàn)進(jìn)行評(píng)估的，每個(gè)檢驗(yàn)返回一個(gè) p 值。我們將 p 值解釋為不是硬性決策標(biāo)準(zhǔn)，而是作為 CI 主張的證據(jù)強(qiáng)度的分級(jí)指標(biāo)：較大的 p 值對(duì)應(yīng)于對(duì)條件獨(dú)立性更強(qiáng)的統(tǒng)計(jì)支持 (Jabbari et al. 2017)。

2.2 定量論證框架

為了更清晰地將我們的方法置于形式論證的范疇內(nèi)，我們簡(jiǎn)要回顧本文中使用的僅攻擊（attack-only）定量設(shè)置。我們只需要一組最小的概念：論證（arguments）、攻擊（attacks）、權(quán)重（weights）和分級(jí)可接受性（gradual acceptability）。

本文提出的框架為因果發(fā)現(xiàn)實(shí)例化了這種僅攻擊（attack-only）和分級(jí)（gradual）的設(shè)置。第3節(jié)將 CI 陳述視為鄰接假設(shè)的分級(jí)攻擊者，并定義了針對(duì)候選邊的狀態(tài)依賴可接受性更新。特別是，QACD 中的有效攻擊強(qiáng)度可能通過(guò)基于見(jiàn)證的傳播（witness-based propagation）依賴于當(dāng)前的圖狀態(tài)。

3 方法論

我們現(xiàn)在介紹 QACD，該方法通過(guò)辯證地聚合不確定的條件獨(dú)立性（CI）證據(jù)來(lái)學(xué)習(xí)因果骨架。如圖 1 所示，第一階段（Phase I）構(gòu)建一個(gè)寬松的候選圖并收集 CI 證據(jù)，而第二階段（Phase II）在閾值化和定向之前，在直接攻擊和見(jiàn)證傳播攻擊下迭代修正邊的可接受性。算法 1 實(shí)現(xiàn)了 QACD 語(yǔ)義。

3.1 問(wèn)題設(shè)定與符號(hào)

3.2 第一階段：候選圖生成

第一階段構(gòu)建一個(gè)寬松的候選骨架，以避免過(guò)早刪除。

3.3 第二階段：通過(guò)定量論證進(jìn)行辯證聚合

在構(gòu)建了候選骨架之后，我們現(xiàn)在通過(guò)實(shí)例化一個(gè)狀態(tài)依賴的 QAF 來(lái)解決邊之間的沖突。在這個(gè)框架中，論證集是固定的，但有效的攻擊關(guān)系取決于圖不斷演變的接受度狀態(tài)。因此，證據(jù)的影響本質(zhì)上是上下文敏感的：相同的 CI 陳述可能會(huì)根據(jù)周圍結(jié)構(gòu)產(chǎn)生不同的效果。

第二階段使用一種分級(jí)語(yǔ)義，其中邊假設(shè)在加權(quán) CI 攻擊和上下文依賴的基于見(jiàn)證的傳播衰減下進(jìn)行修正。

圖 2 說(shuō)明了鄰接假設(shè)、基于 CI 的反駁（rebuttals）以及見(jiàn)證誘導(dǎo)的傳播衰減之間的這種相互作用。

參數(shù) λ 控制可廢止證據(jù)在結(jié)構(gòu)中傳播的激進(jìn)程度。重要的是，這種聚合不代表投票或概率，而是對(duì)證成（justification）的累積性削弱。這種形式產(chǎn)生了一種有界的、順序無(wú)關(guān)的衰減語(yǔ)義。當(dāng)多個(gè)適用的直接或間接傳播因子影響同一個(gè)邊假設(shè)時(shí)，它們以乘法方式結(jié)合，從而削弱其可接受性。

聚合原理。 公式 (6) 通過(guò)代表性 CI 論證對(duì)邊假設(shè)實(shí)施了有界的、成比例的衰減。這種形式將可接受性保持在 [ 0 , 1 ] 范圍內(nèi)，并與公式 (4) 中的迭代更新自然結(jié)合。

在論證理論中，反駁（rebuttal）直接攻擊一個(gè)主張，而 undercut（底切）則挑戰(zhàn)此類攻擊的適用性，而不主張相反的結(jié)論（Amgoud, Maudet, and Parsons 2000）。因此，在因果發(fā)現(xiàn)設(shè)置中，強(qiáng) CI 證據(jù)可能 undercut 的不是邊假設(shè)本身，而是維持沖突連通模式的結(jié)構(gòu)關(guān)系。

基于見(jiàn)證的傳播衰減的設(shè)計(jì)原理。 將見(jiàn)證限制為長(zhǎng)度為 2 的連接是一種有原則且基于計(jì)算考量的設(shè)計(jì)選擇。此類路徑是因果圖中最小的非平凡連通單元，并且與基于約束的方法所利用的局部推理模式相一致，在這些方法中，CI 錯(cuò)誤可能會(huì)通過(guò)短鄰域級(jí)聯(lián)。當(dāng)強(qiáng)獨(dú)立性證據(jù)與其條件集之外的強(qiáng)支持長(zhǎng)度為 2 的連通模式?jīng)_突時(shí)，這種不一致通常可以通過(guò)削弱其中一個(gè)橋接關(guān)系來(lái)解決，從而在不一致的 CI 證據(jù)下恢復(fù)局部連貫性。更長(zhǎng)的路徑可以被視為長(zhǎng)度為 2 的單元的組合，因此通過(guò)迭代傳播間接捕獲；將傳播擴(kuò)展到更長(zhǎng)的路徑是可能的，但在計(jì)算上更昂貴。

雖然受到上下文敏感的底切式（undercut-style）推理的啟發(fā)，但見(jiàn)證連通性在這里被用作一種狀態(tài)依賴的結(jié)構(gòu)修正因子，它將 CI 導(dǎo)出的攻擊壓力傳播到相鄰的橋接邊。在當(dāng)前的公式中，見(jiàn)證連通性作為一種狀態(tài)依賴的傳播信號(hào)：當(dāng)強(qiáng)見(jiàn)證模式保持可接受時(shí)，CI 導(dǎo)出的對(duì) 攻擊的部分影響被重新分配到相鄰的橋接邊。

3.4 圖恢復(fù)

這一步將分級(jí)可接受性語(yǔ)義轉(zhuǎn)化為明確的鄰接決策，將高度支持的邊與經(jīng)辯證推理被拒絕的邊區(qū)分開(kāi)來(lái)。隨后，我們利用第一階段 CI 測(cè)試中獲得的分離集，通過(guò)識(shí)別無(wú)屏蔽對(duì)撞節(jié)點(diǎn)來(lái)對(duì)邊進(jìn)行定向。得到的部分定向圖在完整的 Meek 定向規(guī)則集（Meek 1995）下閉合，從而生成估計(jì)的 CPDAG 。這一恢復(fù)過(guò)程與標(biāo)準(zhǔn)的基于約束流程類似，確保了與經(jīng)典方法的可比性。

4 實(shí)驗(yàn)

從論證的角度來(lái)看，實(shí)驗(yàn)評(píng)估了在有限樣本不確定性下，CI（條件獨(dú)立性）證據(jù)的辯證聚合是否提高了結(jié)構(gòu)連貫性。具體而言，我們考察將 CI 結(jié)果視為可廢止論證是否能夠緩解骨架發(fā)現(xiàn)中的錯(cuò)誤傳播，并導(dǎo)向更具因果有效性的圖。

我們?cè)谝幌盗谢鶞?zhǔn)貝葉斯網(wǎng)絡(luò)上評(píng)估 QACD，以評(píng)估（i）骨架恢復(fù)準(zhǔn)確率與（ii）下游因果有效性。我們將該方法與代表性的基于約束、混合以及基于論證的基線進(jìn)行比較。

4.1 實(shí)驗(yàn)設(shè)置

我們?cè)跇?biāo)準(zhǔn)基準(zhǔn)網(wǎng)絡(luò)上評(píng)估 QACD，并在統(tǒng)一的實(shí)驗(yàn)協(xié)議下將其與代表性的因果發(fā)現(xiàn)方法進(jìn)行比較。

數(shù)據(jù)集。 我們使用八個(gè)按規(guī)模分類的標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)。相關(guān)統(tǒng)計(jì)數(shù)據(jù)總結(jié)于表 1 中。

基線方法。 我們將 QACD 與來(lái)自三個(gè)家族的代表性方法進(jìn)行比較：基于約束的（PC-stable (Spirtes and Glymour 1991) 和 MPC (Colombo, Maathuis, and others 2014)）、混合的（MMHC (Tsamardinos, Brown, and Aliferis 2006)）以及基于論證的（ABAPC (Russo, Rapberger, and Toni 2024)）。由于運(yùn)行時(shí)間限制，ABAPC 僅在小規(guī)模網(wǎng)絡(luò)上進(jìn)行評(píng)估。對(duì)于 WATER 數(shù)據(jù)集，由于數(shù)據(jù)中存在確定性關(guān)系，MMHC 被省略。

4.2 跨基準(zhǔn)測(cè)試的結(jié)構(gòu)準(zhǔn)確性與因果有效性

表 2 和表 3 總結(jié)了小型、中型和大型網(wǎng)絡(luò)的結(jié)果?？傮w而言，QACD 始終生成具有強(qiáng)因果有效性（低 NSHD/NSID）的結(jié)構(gòu)，同時(shí)在不同復(fù)雜度的數(shù)據(jù)集上保持了具有競(jìng)爭(zhēng)力的骨架準(zhǔn)確性。

在幾個(gè)數(shù)據(jù)集（例如 ASIA 和 CHILD）上，QACD 表現(xiàn)出召回率與結(jié)構(gòu)連貫性之間反復(fù)出現(xiàn)的權(quán)衡。雖然像 MPC 或 MMHC 這樣激進(jìn)的基線方法有時(shí)能實(shí)現(xiàn)略高的骨架 分?jǐn)?shù)，但 QACD 產(chǎn)生了更低的 NSHD 和更緊的 NSID 界限，表明其具有更優(yōu)越的干預(yù)可靠性。

在具有確定性關(guān)系的數(shù)據(jù)集（例如 WATER）上，QACD 保持穩(wěn)定并改善了 SID 的下界估計(jì)，同時(shí)在 SID 的上界估計(jì)上保持可比性，即使貪婪方法對(duì)統(tǒng)計(jì)退化變得敏感時(shí)也是如此。由于論證強(qiáng)度是被衰減而不是全局優(yōu)化的，該方法避免了由退化的充分統(tǒng)計(jì)量引起的不穩(wěn)定性。

在低復(fù)雜度網(wǎng)絡(luò)（例如 EARTHQUAKE）上，PC、MMHC 和 QACD 都恢復(fù)了真實(shí)結(jié)構(gòu)（ground-truth structure），證實(shí)了當(dāng) CI 證據(jù)已經(jīng)一致時(shí)，辯證聚合保持了魯棒性。在 WIN95PTS 上，QACD 保持競(jìng)爭(zhēng)力但并未占據(jù)主導(dǎo)地位，反映了在 CI 證據(jù)高度可靠的情形下，保守過(guò)濾所帶來(lái)的預(yù)期權(quán)衡。

總體而言，結(jié)果表明當(dāng) CI 證據(jù)噪聲大或不一致時(shí)，QACD 最有益。通過(guò)連通性介導(dǎo)的傳播修正邊的可接受性，辯證聚合提高了全局結(jié)構(gòu)連貫性并減少了干預(yù)誤差，同時(shí)在各種規(guī)模數(shù)據(jù)集的骨架恢復(fù)方面保持競(jìng)爭(zhēng)力。

4.3 消融實(shí)驗(yàn)：辯證聚合的效果

4.5 討論

前述結(jié)果揭示了一種一致的模式，而非一種普遍的絕對(duì)優(yōu)勢(shì)主張。結(jié)果表明，當(dāng)CI（條件獨(dú)立性）證據(jù)存在噪聲或相互不一致時(shí)，QACD最有益。在INSURANCE、SURVEY和HAILFINDER等數(shù)據(jù)集上，辯證聚合在保持具有競(jìng)爭(zhēng)力的骨架 分?jǐn)?shù)的同時(shí)，改善了NSHD和NSID。這與將CI結(jié)果視為可廢止論證的觀點(diǎn)一致：微弱或沖突的CI主張通過(guò)連通性介導(dǎo)的修正被衰減，從而減少了局部CI錯(cuò)誤向全局結(jié)構(gòu)錯(cuò)誤的傳播。隨著樣本量增加且CI決策變得更加穩(wěn)定，辯證沖突解決的優(yōu)勢(shì)相應(yīng)減弱。

在ASIA和CHILD等數(shù)據(jù)集上，QACD表現(xiàn)出骨架召回率與因果有效性之間反復(fù)出現(xiàn)的權(quán)衡。雖然像MPC或MMHC這樣激進(jìn)的基線方法有時(shí)能實(shí)現(xiàn)略高的，但QACD通常產(chǎn)生更低的NSHD和更緊的NSID界限，表明其結(jié)構(gòu)連貫性和干預(yù)可靠性得到改善。這反映了其保守的修正策略：與其做出不可逆的早期承諾，QACD迭代地抑制支持較弱的鄰接關(guān)系。

在具有確定性關(guān)系的數(shù)據(jù)集（如WATER）上，即使貪婪或基于似然的方法對(duì)（統(tǒng)計(jì)）退化變得敏感，QACD仍保持穩(wěn)定并改善了某些面向干預(yù)的指標(biāo)；相反，當(dāng)CI證據(jù)已經(jīng)高度一致或信息量充足時(shí)（如EARTHQUAKE或WIN95PTS），辯證聚合提供的額外收益更為有限。

總體而言，實(shí)驗(yàn)支持了將有限樣本因果發(fā)現(xiàn)視為在沖突的統(tǒng)計(jì)論證上進(jìn)行推理這一觀點(diǎn)的實(shí)用性。在所評(píng)估的噪聲或不一致CI情形下，辯證聚合通常在保持骨架恢復(fù)競(jìng)爭(zhēng)力的同時(shí)，改善了全局連貫性并減少了干預(yù)誤差。

5 相關(guān)工作

本工作涉及因果發(fā)現(xiàn)與計(jì)算論證，尤其是處理結(jié)構(gòu)學(xué)習(xí)中不確定性與沖突的方法。

5.1 來(lái)自觀測(cè)數(shù)據(jù)的因果發(fā)現(xiàn)

以 PC 算法（Spirtes, Glymour, and Scheines 2000）和快速因果推斷（Spirtes, Meek, and Richardson 1995）為代表的基于約束的方法，通過(guò)檢驗(yàn)條件獨(dú)立性（CI）關(guān)系并將已接受的獨(dú)立性轉(zhuǎn)化為圖編輯操作來(lái)推斷因果結(jié)構(gòu)。在馬爾可夫和忠實(shí)性假設(shè)下，這些方法是漸近一致的，但在有限樣本情形下，它們對(duì) CI 誤差敏感：?jiǎn)蝹€(gè)虛假的獨(dú)立性或依賴性可能觸發(fā)錯(cuò)誤的邊刪除，并級(jí)聯(lián)傳播至后續(xù)的定向步驟（Uhler et al. 2013）。諸如 PC-stable 等變體降低了順序依賴性（Colombo, Maathuis, and others 2014），多重檢驗(yàn)校正也能提升統(tǒng)計(jì)魯棒性，但大多數(shù)基于約束的流程仍依賴于硬性 CI 決策，這些決策一旦納入圖中便不可逆。相比之下，QACD 通過(guò)迭代可接受性語(yǔ)義將 CI 結(jié)果聚合為分級(jí)可廢止證據(jù)，從而推遲了不可逆的承諾。

基于評(píng)分的方法，如貪婪等價(jià)搜索（Greedy Equivalence Search）及其擴(kuò)展（Chickering 2002; Ramsey et al. 2017），將因果發(fā)現(xiàn)公式化為使用懲罰似然準(zhǔn)則在圖結(jié)構(gòu)空間進(jìn)行搜索。最近的連續(xù)優(yōu)化方法，包括 NOTEARS 及其后續(xù)變體（Zheng et al. 2018; Ng, Huang, and Zhang 2024），進(jìn)一步將結(jié)構(gòu)學(xué)習(xí)轉(zhuǎn)化為帶無(wú)環(huán)約束的可微優(yōu)化問(wèn)題。這些方法為純基于約束的發(fā)現(xiàn)提供了重要替代方案，但它們并未將 CI 結(jié)果之間的沖突明確建模為論證性交互。QACD 占據(jù)了一個(gè)互補(bǔ)的定位：它保留了 CI 測(cè)試的局部效率，同時(shí)引入了定量論證層，以便在骨架發(fā)現(xiàn)階段解決證據(jù)沖突。

5.2 人工智能中的論證

抽象與定量論證。 自從 Dung 提出論證框架（AFs）的開(kāi)創(chuàng)性形式化（Dung 1995）以來(lái)，論證已成為不一致條件下非單調(diào)推理的基礎(chǔ)范式（Li, Liao, and Chen 2025; Liao and van der Torre 2024）。定量論證框架（QAFs）通過(guò)為論證分配內(nèi)在強(qiáng)度并定義基于分級(jí)可接受性的語(yǔ)義，擴(kuò)展了這一設(shè)置（Chi and Liao 2022; Rago et al. 2016）。與在雙極框架中對(duì)論證進(jìn)行建模的（Amgoud and Ben-Naim 2018）不同，QACD 將條件獨(dú)立性檢驗(yàn)視為可廢止證據(jù)。這一區(qū)別使 QACD 能夠更好地處理噪聲或不確定數(shù)據(jù)，為因果發(fā)現(xiàn)提供了更魯棒的框架。

用于因果探究的論證。 論證在因果推理中的應(yīng)用是一個(gè)不斷增長(zhǎng)但相對(duì)專門(mén)化的領(lǐng)域。早期工作主要集中在解釋上，采用論證結(jié)構(gòu)來(lái)向用戶證明或傳達(dá)因果主張（Cyras et al. 2021）。最近的研究探索了用于因果發(fā)現(xiàn)與沖突處理的基于論證的機(jī)制（Russo, Rapberger, and Toni 2024; Li et al. 2026）。相關(guān)的概率方法將論證的不確定性與分級(jí)可接受性聯(lián)系起來(lái)（Hunter and Thimm 2017）。

與我們的工作最密切相關(guān)的是 ABAPC（Russo, Rapberger, and Toni 2024），它主要在定向?qū)用妫ㄈ绺?jìng)爭(zhēng)性 v-結(jié)構(gòu)）利用論證機(jī)制來(lái)增強(qiáng) PC 算法。相比之下，QACD 將定量論證直接整合到骨架發(fā)現(xiàn)中。通過(guò)將 CI 陳述視為鄰接假設(shè)的分級(jí)攻擊者，并通過(guò)基于見(jiàn)證的結(jié)構(gòu)上下文傳播其影響，QACD 能夠在定向階段之前實(shí)現(xiàn)邊假設(shè)的非單調(diào)修正。

6 結(jié)論

我們提出了 QACD，這是一種用于因果發(fā)現(xiàn)的定量論證框架（QAF），它將條件獨(dú)立性（CI）結(jié)果視為可廢止證據(jù)，并在結(jié)構(gòu)上下文中對(duì)其進(jìn)行聚合。QACD 并非將有限樣本下的 CI 決策固化為不可逆的約束，而是通過(guò)直接的 CI 攻擊和基于見(jiàn)證的傳播衰減來(lái)修正邊的可接受性。這為在骨架發(fā)現(xiàn)階段解決沖突的統(tǒng)計(jì)證據(jù)提供了一種迭代的、語(yǔ)義驅(qū)動(dòng)的機(jī)制。

實(shí)證上，在 CI 證據(jù)存在噪聲或不一致的多種情形下，QACD 生成了更連貫的結(jié)構(gòu)并提高了干預(yù)有效性，同時(shí)在骨架恢復(fù)方面保持了競(jìng)爭(zhēng)力。這些結(jié)果支持了這樣一種觀點(diǎn)：有限樣本因果發(fā)現(xiàn)可以被富有成效地構(gòu)建為對(duì)分級(jí)的且可能沖突的統(tǒng)計(jì)論證進(jìn)行推理的過(guò)程。

仍有幾個(gè)方向尚待探索。首先，雖然本文聚焦于因果充分性設(shè)置，但該框架可以通過(guò)在祖先圖中引入針對(duì)雙向邊的論證，擴(kuò)展到存在潛在混雜因素的情形。其次，對(duì)于超大規(guī)模圖，可以使用近似消息傳遞或感知稀疏性的實(shí)現(xiàn)來(lái)加速迭代更新。第三，盡管我們預(yù)計(jì)在標(biāo)準(zhǔn)馬爾可夫和忠實(shí)性假設(shè)下，配合一致的 CI 測(cè)試，有限樣本沖突會(huì)減少，但 QACD 的完整預(yù)言機(jī)級(jí)（oracle-level）一致性分析仍是未來(lái)的工作。最后，干預(yù)數(shù)據(jù)可以作為一類新的干預(yù)論證被納入，從而支持基于混合觀測(cè)與實(shí)驗(yàn)證據(jù)的論證驅(qū)動(dòng)發(fā)現(xiàn)。

原文鏈接：https://arxiv.org/pdf/2604.23633