语义先验何时应部分进入因果发现？

arXiv:2611.14736v1 Announce Type: new Abstract: 观测因果发现通常会导致因果方向未解决或不稳定。大型语言模型（LLMs）可以提供语义信息来解决这些方向，但错误的建议可能会排除真实的因果图并使下游推理无效。

我们研究了三个独立的决策：在哪里分配语义查询、接受哪些建议以及保留哪些因果图。我们的框架区分了总体不可识别性与有限样本不稳定性，将语义方向与统计和随机控制进行比较，并检查了校准的接受度和容错 DAG 保留。

在基准网络上的实验表明，语义信息比抛硬币方向能提高恢复率，但针对不稳定边进行分配并没有比匹配随机分配显示出既定的优势。测试的接受证书无法在现有的校准任务上支持非平凡的接受。此外，下游的保留取决于参考的充分性：在 80 项计划的任务中，学习的参考仅在三项中包含真实的 DAG。

这些发现将语义信息的价值与其分配、接受和保留的可靠性分离开来，并确定了校准规模和参考充分性是关键限制。