본 논문은 유도 계산법(judo calculus)을 사용하여 인과 관계 발견을 위한 직관주의적 분산 프레임워크에 대한 이론과 구현을 설명합니다. 이는 토포스(topos) 내의 j-do-계산을 사용하여 j-안정적 인과 추론으로 공식적으로 정의됩니다. 현실 세계의 응용 프로그램에서, 특히 생물학, 의학, 사회 과학 분야에서 인과 효과는 환경(나이, 국가, 복용량, 유전자형 또는 실험실 프로토콜)에 따라 달라집니다. 제안된 유도 계산법은 이러한 환경 의존성을 지역 진실로 공식화합니다: 인과 주장은 모든 곳에서 한 번에 증명되는 것이 아니라 환경의 커버(cover)에서 참으로 증명됩니다. Lawvere-Tierney 모달 연산자 j는 어떤 환경이 관련 있는지 선택하고, j-안정성은 그 가족 전체에서 구성적이고 일관되게 주장이 유지됨을 의미합니다. 본 논문은 표준 점수 기반, 제약 기반 및 기울기 기반 인과 관계 발견 방법을 결합하여 유도 계산법을 위한 알고리즘 및 구현 프레임워크를 설명합니다. 또한, 합성 데이터 세트에서 생물학과 경제학 분야의 실제 데이터 세트에 이르기까지 다양한 도메인에 대한 실험 결과를 제시합니다. 실험 결과는 층 이론적 인과 관계 발견의 분산된 특성으로 얻은 계산 효율성과 고전적인 인과 관계 발견 방법보다 향상된 성능을 보여줍니다.
