Argumentative Causal Discovery

因果发现是指在数据中挖掘特征之间的因果关系。它是因果推断的重要伴侣，有助于建立科学知识，而不必采用昂贵或不可能的随机对照试验。本文探讨了如何利用符号表示推理来支持因果发现。具体而言，我们采用基于假设的论证（ABA）这一已经成熟而强大的知识表示形式，结合因果理论，学习反映数据中因果依赖关系的图形。我们证明了我们的方法具有理想的性质，特别是在自然条件下，它可以检索出真实的因果图。我们还在四个标准因果发现基准数据集上使用我们方法的一个实现（ASP）进行了实验，结果表明我们的方法与已经建立的基准方法相比表现良好。

本论文旨在探讨如何利用符号表示与因果关系理论相结合，通过假设为基础的论证（ABA）方法来支持因果发现，以构建科学知识，而无需进行昂贵或不可能的随机对照试验。

本论文提出了一种新的方法，将ABA方法与因果理论相结合，使用ASP实现，在四个标准基准数据集上进行实验，成功地发现了数据中的因果依赖关系，并展示了其与已有方法相比的优越性。

本论文的亮点包括：使用了ABA方法进行因果发现，具有较好的性质；实验使用了四个标准基准数据集，展示了方法的有效性；作者提供了开源代码。

在该领域的相关研究包括：1. 'Causal Discovery from Nonstationary/Heterogeneous Data: Skeleton Estimation and Orientation Determination'；2. 'A survey of causal inference with continuous time processes'；3. 'Causal Discovery and Forecasting in Nonstationary Environments with State Space Models'等。