관측 데이터로부터의 인과 관계 발견에서 불완전한 사전 지식 하에서의 문제는 해결되지 않은 과제이다. 기존 방법들은 완벽한 사전 지식을 가정하거나, 특정 오류 유형만 처리할 수 있으며, 오류의 위치와 유형이 알려지지 않은 상황에서는 성능이 저하된다. 본 논문에서는 사전 지식 정렬 및 갈등 해결을 통해 지식과 데이터를 조화시키는 방법을 제안한다. 먼저, 대리 모델을 통해 불완전한 구조적 제약 조건의 신뢰도를 평가하고, 이를 통해 학습된 인접 행렬과 제약된 인접 행렬 간의 손실을 측정하는 희소 페널티 항을 유도한다. 이론적으로 이상적인 가정 하에서 지식 기반 목표와 데이터 기반 목표가 일치함을 증명하고, 이 가정이 위반될 경우 다중 작업 학습 프레임워크를 통해 두 목표를 공동으로 최소화하는 다중 기울기 강하법을 제시한다. 제안된 방법은 선형 및 비선형 환경 모두에서 견고하며, 다양한 잡음 조건과 구조 방정식 모델 유형에서 광범위한 실험을 통해 불완전한 구조적 제약 조건 하에서 효과적이고 효율적임을 입증한다.
