La Búsqueda de Equivalencia Menos Codiciosa (LGES) es una modificación del algoritmo de Búsqueda de Equivalencia Codiciosa (GES), un algoritmo tradicional basado en puntuaciones para el descubrimiento de relaciones causales a partir de datos observacionales. LGES aborda parcialmente dos problemas prácticos: el coste computacional y la precisión de muestras finitas, manteniendo al mismo tiempo las garantías teóricas de GES. Al modificar el paso codicioso de GES para evitar la inserción de aristas entre variables cuyas puntuaciones implican cierta independencia condicional, logra una aceleración de hasta 10 veces y una reducción significativa de los errores estructurales. Además, LGES puede utilizar supuestos previos para guiar la búsqueda y corregir supuestos inconsistentes con los datos, y puede utilizar datos de intervención para mejorar las clases de equivalencia de observación aprendidas. Se ha demostrado que recupera clases de equivalencia verdaderas de datos de observación e intervención incluso bajo supuestos previos erróneos. Los resultados experimentales muestran que LGES supera a GES y otros algoritmos de referencia en términos de velocidad, precisión y robustez ante supuestos incorrectos.
