语义先验该在因果发现哪一步介入：方向判断有增益，查询位置与准入证书尚未站住
核心概要
观测数据常留下无法定向或不稳定的因果边，大语言模型可凭变量名与描述给出方向建议。研究把语义信息的使用拆成查询分配、建议准入与图保留三步，在Asia、Sachs、Child、Insurance、Alarm五个基准网络上分别检验。语义定向优于随机抛硬币式定向，但按不稳定边挑选查询目标相对等量随机分配没有确立优势；所测准入证书在现有校准任务数下只能完全弃权，学习到的参考图在80个计划任务中仅3个包含真实DAG。
深度剖析
语义信息本身能帮助确定因果方向，但把它放在哪些边上提问，是另一件尚未被证明的事。 在无约束线性高斯模型下，观测数据无法区分等价类内方向相反的图，因此语义输入被当作补充信息引入，而语义建议本身可能出错。 在五个基准网络上，语义定向相对随机抛硬币定向的Directed-F1提升为+0.08263，而抛硬币相对基线也有+0.10363，说明只与基线比较会高估语义的贡献。
按有限样本不稳定性挑选查询目标，与在同等响应预算下随机挑选已定向边相比，没有显示出稳定优势。 四个主要估计器—样本量设置下，等网络对比的95%区间都包含零，点估计还会变号。 在PC-500、PC-2000、BOSS-500、BOSS-2000四个设置上比较F1+F2与F1+rand，五个主要网络的等网络估计为+0.00474，区间包含零。
语义定向在已选中的边上确实能改善方向恢复，这一增益与查询位置的质量是两回事。 把同一批F2目标的方向证据从自助法计数换成语义多数票，四个主要设置的点估计均为正。 四个主要设置中只有BOSS-500的区间高于零；在Barley、Hailfinder、Win95pts三个附加族上，语义定向相对仅用自助法把Directed-F1提高0.418个百分点。
准入风险与下游保留需要分开校准，而保留能否保住真图取决于参考图是否已经包含它。 所测有限网格Hoeffding证书在真实校准池上无法支持任何非平凡准入，F1池只有10个图任务、F2池只有9个。 在学习到的参考图研究中，80个计划任务里只有3个的存储参考包含真实DAG，72个下游可用任务中精确成员率为0.0428。
启示与展望
结论建立在Asia、Sachs、Child、Insurance、Alarm五个主要基准网络与Barley、Hailfinder、Win95pts三个附加族上，使用无约束线性高斯结构方程、PC与BOSS两种估计器以及500和2000两个样本量；报告的95%网络区间为探索性，未做多重比较校正。
作者指出基准族数量少、语义模型可能对基准熟悉，且主要协议记录不完整；所测准入证书的失败针对该证书与现有独立图任务，并非普遍的样本复杂度下界；保留保证是边际的，参考图缺失真图时剪枝无法补回。