# Dynamic Expert-Guided Model Averaging for Causal Discovery

### 저자

Adrick Tench, Thomas Demeester

### 💡 개요

본 논문은 인과 탐색 알고리즘의 선택지를 넓히는 동시에 실제 적용 시 발생하는 가정 위반 문제를 해결하기 위해, 동적으로 전문가 지식을 활용하는 모델 평균화 방법을 제안합니다. 제안된 방법은 엣지 존재 여부와 방향을 구분하여 데이터 기반 탐색과 전문가 입력의 장점을 결합하며, 전문가 접근이 제한적인 현실적인 상황을 고려하여 불확실성이 높은 경우에만 전문가에게 질의합니다. 실험 결과, 본 방법은 깨끗한 데이터와 노이즈가 있는 데이터 모두에서 기존 강점들을 일관되게 능가하는 성능을 보여줍니다.

### 🔑 시사점 및 한계

- 다양한 인과 탐색 알고리즘의 강점을 결합하여 실용적인 인과 탐색 성능을 향상시킬 수 있습니다.

- 전문가 지식을 동적으로 통합함으로써 알고리즘의 가정 위반 문제를 완화하고 신뢰성을 높일 수 있습니다.

- 제한적이고 불완전한 전문가 환경에서도 효과적으로 작동하는 인과 탐색 방법을 제시합니다.

- 전문가의 불완전성으로 인한 잠재적 편향이나 오류에 대한 추가적인 분석 및 완화 전략이 필요합니다.

[PDF 보기](https://arxiv.org/pdf/2601.16715)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).