Les chercheurs présentent DKCD, un cadre pour la découverte causale à partir de données non structurées dans des domaines à haute expertise comme la santé et la finance. La méthode comble les limites des approches existantes en intégrant des connaissances spécifiques du domaine pour améliorer l'identification des facteurs latents et la précision de l'annotation des facteurs.
- L'extraction de connaissances récupère les informations pertinentes du domaine basées sur les facteurs observables pour soutenir le raisonnement.
- Le raisonnement causal guidé par les connaissances découvre les facteurs causaux latents et génère des indices pour une annotation précise des données.
- La découverte de la structure causale construit les graphes finaux en utilisant un ensemble plus complet de facteurs et d'annotations.
Les expériences sur deux ensembles de données spécifiques au domaine montrent que DKCD améliore considérablement à la fois l'identification des facteurs causaux et la construction des graphes causaux.