Исследователи представляют DKCD, фреймворк для каузального вывода из неструктурированных данных в областях с высокой экспертизой, таких как здравоохранение и финансы. Метод устраняет ограничения существующих подходов за счет включения специфических предметных знаний для улучшения выявления латентных факторов и точности аннотации факторов.
- Добыча знаний (Knowledge Mining) извлекает релевантную предметную информацию на основе наблюдаемых факторов для поддержки рассуждений.
- Каузальное рассуждение, направляемое знаниями (Knowledge-guided Causal Reasoning), выявляет латентные каузальные факторы и генерирует подсказки для точной аннотации данных.
- Открытие каузальной структуры (Causal Structure Discovery) строит окончательные графы с использованием более полного набора факторов и аннотаций.
Эксперименты на двух предметно-специфичных наборах данных демонстрируют, что DKCD значительно улучшает как выявление каузальных факторов, так и построение каузальных графов.