Resumen:Evaluamos nuestro enfoque en tres puntos de referencia del mundo real ricos en metadatos que abarcan la ingeniería industrial, el monitoreo ambiental y el análisis de sistemas de TI. En todos estos conjuntos de datos, DMCD logra un rendimiento competitivo o líder frente a diversas líneas de base de descubrimiento causal, con ganancias particularmente grandes en la recuperación y la puntuación F1. Los experimentos de sondeo y ablación sugieren que estas mejoras surgen del razonamiento semántico sobre metadatos en lugar de la memorización de gráficos de referencia. En general, nuestros resultados demuestran que la combinación de antecedentes semánticos con verificación estadística de principios produce un enfoque de alto rendimiento y prácticamente efectivo para el aprendizaje de estructuras causales.
Publicado originalmente en export.arxiv.org el 24 de febrero de 2026.
Ver fuente original
