因果発見アルゴリズムは、サンプル数が限られている場合にパフォーマンスが低下することがあります。専門家の知識、特に大規模言語モデル（LLM）からの情報を制約として組み込むことは効果的ですが、既存の手法は完璧な予測や不確実性推定に依存しており、実用的ではありません。この問題に対処するために、著者らはGuess2Graph（G2G）フレームワークを提案します。このフレームワークは、専門家の推測を統計的テストのガイドとして使用し、高精度な専門家の意見を活用するように設計されたgPC-GuessやPC-Guessの2つの実装を開発しました。理論的には、どちらも専門家の誤りに関わらず正確性を保持し、実証的にも専門家の正確性に応じた改善が見られました。特にgPC-Guessは、非強化版と比べて有限サンプルで显著な性能向上を果たしました。