La recherche d'équivalence moins gourmande (LGES) est une version modifiée de la recherche d'équivalence gourmande (GES), un algorithme traditionnel basé sur les scores pour la découverte de relations causales à partir de données d'observation. LGES résout partiellement deux problèmes pratiques : le coût de calcul et la précision sur échantillon fini, tout en préservant les garanties théoriques de la GES. En modifiant l'étape gourmande de la GES pour éviter l'insertion d'arêtes entre les variables dont les scores impliquent une certaine indépendance conditionnelle, elle permet une accélération jusqu'à 10 fois supérieure et une réduction significative des erreurs structurelles. De plus, la LGES peut utiliser des hypothèses a priori pour guider la recherche et corriger celles qui sont incompatibles avec les données, et peut utiliser les données d'intervention pour améliorer les classes d'équivalence d'observation apprises. Il est prouvé qu'elle récupère de véritables classes d'équivalence à partir des données d'observation et d'intervention, même avec des hypothèses a priori erronées. Les résultats expérimentaux montrent que la LGES surpasse la GES et d'autres algorithmes de base en termes de rapidité, de précision et de robustesse aux hypothèses erronées.
