이 연구는 인과 그래프를 발견할 때 관측 데이터 기반 베이지안 네트워크 구조학습(BNSL)과 방향성 판단이 약한 대신 폭넓은 사전지식을 가진 LLM을 결합하는 확률적 의존 그래프(PDG)를 제안한다. PDG에서는 각 엣지가 방향·무방향·부재 상태에 대한 확률분포로 표현되어 가중 평균을 통한 융합이 가능하다. FGES·Tabu·PC 세 BNSL 알고리즘과 Gemini·Claude·GPT 세 LLM의 조합을 26개 벤치마크 네트워크, 여러 프롬프트와 무작위 시드에 걸쳐 평가한 결과, 단순 50/50 융합만으로도 26개 중 22개 네트워크에서 단일 소스보다 F1이 개선됐고 평균 개선폭은 0.056으로 통계적으로 유의했다(p<0.001). 분석 결과 BNSL은 엣지 존재 여부에서 높은 재현율(80% 대 LLM 60%)을, LLM은 엣지 방향 판단에서 높은 정확도(96% 대 BNSL 77%)를 보이며 서로 보완적 역할을 한다는 것이 확인됐다.

• •엣지 존재/방향 상태를 확률분포로 표현하는 PDG로 BNSL과 LLM 지식을 가중 평균 융합
• •26개 벤치마크 네트워크 중 22개에서 단순 50/50 융합이 단일 소스보다 F1 개선, 평균 0.056(p<0.001)
• •BNSL은 엣지 존재 재현율 80%(LLM 60%), LLM은 엣지 방향 정확도 96%(BNSL 77%)로 역할 분담
• •3개 BNSL 알고리즘과 Gemini·Claude·GPT 3개 LLM 조합으로 다양한 프롬프트·시드에서 검증