본 논문은 제어된 직접 효과(CDEs)를 다양한 과학 분야에서 식별하는 문제를 다룬다. 기존 방법들은 인과 방향성 비순환 그래프(DAGs)로부터 CDEs를 식별할 수 있지만, 실제로는 기저 구조를 알 수 없는 경우가 많다. 본 논문은 동일한 d-분리 집합을 갖는 DAG들의 마르코프 등가 클래스를 나타내는 필수 그래프(essential graph)를 활용하여 이 문제를 해결한다. 하지만 전체 필수 그래프를 학습하는 것은 계산적으로 집약적이며, 검증되지 않은 강력한 가정에 의존하는 경우가 많다. 따라서 본 논문은 타겟 변수를 기준으로 정의된 그래프의 지역적 클래스를 특징짓고, 이 클래스를 나타내는 지역적 필수 그래프(LEG)라는 그래프 표현을 제시한다. 그리고 지역적 조건부 독립성 검정만을 사용하여 관측 분포로부터 LEG를 복구하도록 설계된 새로운 알고리즘 LocPC를 제안한다. LocPC를 기반으로, 전체 필수 그래프를 얻을 필요 없이 CDE를 식별하는 데 필요하고 충분한 LEG의 일부를 발견하는 알고리즘 LocPC-CDE를 제안한다. 전역적 방법과 비교하여, 제안된 알고리즘은 더 적은 조건부 독립성 검정을 필요로 하며, 이론적 보장을 유지하면서 더 약한 가정 하에서 작동한다. 시뮬레이션 연구를 통해 접근 방식의 효과를 보여준다.
