在有限樣本條件下，基於約束的因果發現所依賴的條件獨立性（CI）檢驗經常彼此衝突，導致不存在一張能同時滿足全部檢驗結果的因果圖。因果假設論證（Causal ABA）把這些檢驗結果顯式表示為可廢止的承諾，並對其中一部分給出對應性保證；但既有的修復流程只是啓發式地釋放事實，對用户就某項釋放提出的質疑也沒有形式化回應。Fabrizio Russo 與另外四位作者在論文《Optimal Correction Sets for Provable Redress of Contestable Causal Discovery》中指出，可爭議的因果發現需要三樣東西：一個可檢查的修正對象、為該修正提供的理由，以及對這類爭議可預測的修訂程序。
作者據此把 CI 事實的修復表述為一個最小代價修正問題，並在回答集編程（ASP）中實現。在 Causal ABA 的基礎上，論文給出了因果一致性的緊湊而高效的 ASP 編碼，並附帶可靠性（soundness）與完備性（completeness）保證。更關鍵的是，他們建立了最優穩定模型與最小代價修正集之間的雙向投影對應關係，使邏輯程序的解與修正問題的解能夠互相轉換，而不只是啓發式地近似。
這組形式化結果帶來了多項性質：對被保留事實的忠實性、修正的子集最小性與代價最優性、對被釋放事實的基於衝突的理由説明，以及在用户提出質疑時獲得形式化保證的糾錯。換言之，系統不只是給出一個修復後的因果結構，還能解釋為何釋放某些檢驗事實，並在質疑出現時按可預期的方式修訂。
實證評估支持了這套形式化論述。與 Causal ABA 相比，所提出的 OptABA-PC 在常見基準上保留了更多正確事實，減少了兼容輸出之間的歧義，並改善了因果圖的重建效果。論文共 41 頁（含附錄），於 2026 年 10 月 23 日提交，歸類於 cs.AI，arXiv 編號為 2610.33138。