要旨: 制約ベースの因果発見は、有限サンプルの状況では脆弱です。というのも、誤った条件付き独立（CI）の判断が、実質的な構造エラーへと連鎖してしまうためです。本研究では、因果発見のための定量的アーギュメンテーション（Quantitative Argumentation for Causal Discovery; QACD）を提案します。これは、CIの結果を不可逆な制約ではなく、段階的で反駁可能な議論として表現する、セマンティクス駆動型の枠組みです。QACDは、統計的検定結果を議論の強度へと写像し、連結性を媒介する目撃者（witness）の伝播によって対立する証拠を集約することで、候補となる隣接関係（adjacencies）上に固定点の受容可能性ラベリングを生成します。標準的なベンチマークのベイジアンネットワークに対する実験では、QACDは、いくつかのノイズがある、あるいはCIが不整合な状況において、構造の整合性と介入（インターベンション）における信頼性を改善することが示されています。また、古典的な制約ベース、ハイブリッド、ならびに事前議論（prior argumentation）ベースのベースラインと競争力のある性能を維持しています。
因果発見を弁証法的集約として捉える：定量的アーギュメンテーション・フレームワーク
arXiv cs.AI / 2026/4/28
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文はQACD（Quantitative Argumentation for Causal Discovery）を提案し、条件付き独立（CI）テスト結果を脆い確定的制約ではなく、段階的で反論可能な「議論」として扱います。
- QACDは統計テストの結果を議論の強さへと変換し、接続性に媒介された目撃（witness）伝播によって相反する証拠を集約し、候補エッジに対する受容可能性ラベリングを固定点として算出します。
- ベンチマークのベイジアンネットワークでの実験では、ノイズや不整合なCI決定がある状況で、QACDが構造の一貫性と介入の信頼性を改善することが示されています。
- 同手法は、古典的な制約ベース、ハイブリッド、ならびに既存のアーギュメンテーション手法に基づくベースラインと比較して競争力がある一方で、有限サンプルにおける誤りの連鎖（エラー・カスケード）を抑えることを目指しています。
