인과 관계 추론을 변증법적 집계로: 정량적 논증 프레임워크

Causal Discovery as Dialectical Aggregation: A Quantitative Argumentation Framework

제약 조건 기반 인과 관계 추론은 표본 크기가 제한적인 경우, 잘못된 조건부 독립성(CI) 결정이 연쇄적으로 발생하여 심각한 구조적 오류를 초래할 수 있습니다. 본 논문에서는 의미론 기반의 프레임워크인 정량적 논증을 통한 인과 관계 추론(QACD)을 제안합니다. QACD는 CI 결과를 되돌릴 수 없는 제약 조건이 아닌, 등급이 매겨진, 반증 가능한 논증으로 표현합니다. QACD는 통계적 검정 결과를 논증 강도로 매핑하고, 연결성을 매개로 하는 증거 전파를 통해 후보 인접 관계에 대한 고정점 수용성 레이블을 생성합니다. 표준 벤치마크 베이지안 네트워크에 대한 실험 결과, QACD는 여러 가지 노이즈가 있거나 일관성 없는 CI 환경에서 구조적 일관성과 개입 신뢰성을 향상시키는 것으로 나타났으며, 기존의 제약 조건 기반, 하이브리드, 그리고 사전 기반 논증 방식과 경쟁력 있는 성능을 보였습니다.

Constraint-based causal discovery is brittle in finite-sample regimes because erroneous conditional-independence (CI) decisions can cascade into substantial structural errors. We propose Quantitative Argumentation for Causal Discovery (QACD), a semantics-driven framework that represents CI outcomes as graded, defeasible arguments rather than irreversible constraints. QACD maps statistical test outcomes to argument strengths and aggregates conflicting evidence through connectivity-mediated witness propagation, producing a fixed-point acceptability labeling over candidate adjacencies. Experiments on standard benchmark Bayesian networks suggest that QACD improves structural coherence and interventional reliability in several noisy or inconsistent CI regimes, while remaining competitive with classical constraint-based, hybrid, and prior argumentation-based baselines.