许多结构学习算法只能对竞争结构进行评分，直到它们的马尔可夫等价，因此不可能仅基于数据为贝叶斯网络 (BN) 学习独特的 DAG，这使得因果关系假设存在问题。斯皮特斯等人。将此问题称为“统计不可区分性”，并在他们的书中对其进行了详细讨论。

我认为 DAG 中的边缘应该主要被解释为概率依赖关系，这也有助于洞察因果关系。这与“因果”贝叶斯网络（包括 Judea Pearl）支持者的观点一致，他们认为 BN 所代表的概率分布具有潜在的因果结构。

带回家的信息是，在这个问题上不存在总体协议。但我想我上面分享的观点是一个更安全的观点。

如果我乐于假设这种关系是因果关系，我只会画一个有向的边缘。这个假设当然不能通过观察数据来验证，但是通过将一组假设的因果关系形式化为 DAG，我可以确定要调整哪些变量，以便对图中的给定关系做出最好的因果推断。从我的角度来看，如果 DAG 为真（大 if，尤其是 acylic 位），那么观察到的变量之间的关系应该看起来是某种方式；但它仍然是一个完整的抽象，如果您添加不反映假设因果关系的箭头，我看不出该抽象的价值。

是的，DAG 中的边代表因果关系。考虑一条从出发的边，这意味着 '导致'。$A\rightarrow B$$A$$B$

同样不可能构建一个独特的贝叶斯网络，因为不同的概念可能导致构建不同的图。

可以在此处找到了解更多信息的好资源。

正如朱巴尔布所说，在这个问题上没有总体共识。因此，我将提出另一个尚未涵盖的观点。对于因果 DAG，因果结构通常被认为是由没有箭头编码的。在这个框架下，箭头可能是因果的，也可能不是，但缺失的箭头必须被强烈地相信或知道不是因果的。这可能不适用于贝叶斯网络，但是由于您更普遍地提出了问题，因此我认为值得注意。

此外，如果你想学习一个网络，它无法告诉你箭头的方向，因为关联沿着箭头双向流动。您必须对方向性做出一些假设或强加一些有关时间顺序的信息。