Algorytmy odkrywania przyczynowych zależności oparte na testach warunkowej niezależności napotykają problem - w rzeczywistych danych testy mogą dać sprzeczne wyniki, pozostawiając żaden graf przyczynowy nie spełniający wszystkich warunków. Teraz zespół badawczy zaproponował formalnie gwarantowaną metodę rozwiązywania tego problemu przy użyciu programowania Answer Set Programming i teorii Causal Assumption-based Argumentation.
Nowe podejście reformułuje naprawę konfliktów jako problem minimalizacji kosztów korekt. Kluczowe cechy to kompaktowe kodowanie spójności przyczynowej z gwarancjami poprawności, jawne justyfikacje dla każdego wariantu wyniku oraz procedura rozpatrywania sporów zgłoszonych przez użytkownika. Implementacja OptABA-PC ustala dokładną zgodność między optymalnymi modelami stabilnymi a minimalnymi zbiorami korekt, czuwając nad dokładnością zachowanych faktów i minimalizacją zmian.
Ewaluacja empiryczna wykazała, że nowa metoda zatrzymuje więcej prawidłowych faktów niż poprzednia wersja Causal ABA, zmniejsza niejednoznaczność możliwych wyników oraz poprawia jakość rekonstrukcji grafów przyczynowych na powszechnych benchmarkach. To ma znaczenie dla praktycznych zastosowań, gdzie użytkownicy mogą kwestionować decyzje algorytmu i uzyskać formalne uzasadnienia oraz gwarantowaną zmianę wyniku.