在有限样本条件下，基于约束的因果发现所依赖的条件独立性（CI）检验经常彼此冲突，导致不存在一张能同时满足全部检验结果的因果图。因果假设论证（Causal ABA）把这些检验结果显式表示为可废止的承诺，并对其中一部分给出对应性保证；但既有的修复流程只是启发式地释放事实，对用户就某项释放提出的质疑也没有形式化回应。Fabrizio Russo 与另外四位作者在论文《Optimal Correction Sets for Provable Redress of Contestable Causal Discovery》中指出，可争议的因果发现需要三样东西：一个可检查的修正对象、为该修正提供的理由，以及对这类争议可预测的修订程序。
作者据此把 CI 事实的修复表述为一个最小代价修正问题，并在回答集编程（ASP）中实现。在 Causal ABA 的基础上，论文给出了因果一致性的紧凑而高效的 ASP 编码，并附带可靠性（soundness）与完备性（completeness）保证。更关键的是，他们建立了最优稳定模型与最小代价修正集之间的双向投影对应关系，使逻辑程序的解与修正问题的解能够互相转换，而不只是启发式地近似。
这组形式化结果带来了多项性质：对被保留事实的忠实性、修正的子集最小性与代价最优性、对被释放事实的基于冲突的理由说明，以及在用户提出质疑时获得形式化保证的纠错。换言之，系统不只是给出一个修复后的因果结构，还能解释为何释放某些检验事实，并在质疑出现时按可预期的方式修订。
实证评估支持了这套形式化论述。与 Causal ABA 相比，所提出的 OptABA-PC 在常见基准上保留了更多正确事实，减少了兼容输出之间的歧义，并改善了因果图的重建效果。论文共 41 页（含附录），于 2026 年 10 月 23 日提交，归类于 cs.AI，arXiv 编号为 2610.33138。