Los investigadores presentan DKCD, un marco para el descubrimiento causal a partir de datos no estructurados en dominios de alta especialización como la atención sanitaria y las finanzas. El método aborda las limitaciones de los enfoques existentes incorporando conocimiento específico del dominio para mejorar la identificación de factores latentes y la precisión de la anotación de factores.
- La Minería de Conocimiento recupera información relevante del dominio basada en factores observables para apoyar el razonamiento.
- El Razonamiento Causal Guiado por Conocimiento descubre factores causales latentes y genera pistas para una anotación precisa de los datos.
- El Descubrimiento de la Estructura Causal construye gráficos finales utilizando un conjunto más completo de factores y anotaciones.
Los experimentos en dos conjuntos de datos específicos del dominio demuestran que DKCD mejora significativamente tanto la identificación de factores causales como la construcción de gráficos causales.