본 논문은 잠재적 교란 변수가 존재하는 관측 데이터에서 인과 관계를 추론하는 인과 발견 문제를 다룹니다. 기존의 Fast Causal Inference (FCI) 알고리즘은 부분 조상 그래프(PAG)를 학습하지만, 경험적 충실성(empirical faithfulness) 가정에 의존하며, 이는 제한된 표본 크기로 인해 실제로 종종 실패합니다. 본 논문에서는 혼합 변수 유형을 포함한 관측 데이터와 PAG의 호환성을 평가하는 최초의 비모수적 점수를 제시합니다. 이 점수는 구조적 불확실성을 특징짓고 서로 다른 PAG들을 구별하는 데 필요하고 충분합니다. 본 논문은 잠재적 교란 변수, 경험적 불충실성, 혼합 데이터 유형을 동시에 해결하는 최초의 하이브리드 인과 발견 알고리즘인 data-compatible FCI (dcFCI)를 제안합니다. dcFCI는 제안된 점수를 (Anytime)FCI 기반 탐색에 통합하여 후보 PAG를 체계적으로 탐색, 순위 지정 및 검증합니다. 합성 및 실제 시나리오에 대한 실험을 통해 dcFCI가 최첨단 방법보다 훨씬 우수하며, 작고 이질적인 데이터 세트에서도 실제 PAG를 복구하는 경우가 많음을 보여줍니다. 상위 순위의 PAG를 조사하면 구조적 불확실성에 대한 귀중한 통찰력을 제공하여 더욱 강력하고 정보에 입각한 인과 추론 및 의사 결정을 지원합니다.
