인과 발견 (Causal discovery)은 관측 데이터로부터 인과 구조를 밝혀내는 것을 목표로 하며, 이는 실제 세계의 의사결정에 있어 매우 중요합니다. 그러나 서로 다른 인과 발견 알고리즘들은 서로 충돌하는 상이한 결과를 생성할 수 있으며, 이는 정확한 인과 그래프 (Causal graphs)를 식별하는 과정을 복잡하게 만듭니다. 전통적인 접근 방식은 수치적 값과 통계적 가정에 의존하며, 구조 학습에 도움을 줄 수 있는 피처 (Feature) 설명과 같은 풍부한 도메인 특화 정보를 무시하는 경우가 많습니다. 최근 연구들은 직접적인 질의를 통해 인과 관계를 추론하기 위해 대규모 언어 모델 (LLMs)을 사용하는 방안을 탐색하고 있지만, 이러한 방법들은 실제 데이터와의 정렬 (Alignment) 부족으로 인해 신뢰할 수 없을 수 있습니다. 이러한 한계를 해결하기 위해, 우리는 Causal Ensemble Agent (CEA)를 제안합니다. 이는 선형 의견 풀링 (Linear opinion pooling)을 통해 서로 다른 그래프 레벨에 걸친 통계적 발견 전문가들의 구조적 통찰을 집계하고, 집계된 신뢰도가 결정 경계 (Decision boundary)에 근접할 때 LLM을 메타 심판 (Meta-referee)으로 사용하여 전문가들의 가중치를 동적으로 재조정함으로써, 개선되고 더 완전한 인과 그래프를 구성하는 새로운 프레임워크입니다. 합성 데이터 (Synthetic datasets) 및 실제 데이터 (Real-world datasets) 모두에 대한 광범위한 실험을 통해, CEA가 다양한 인과 발견 방법론 전반에 걸쳐 가장 강력한 종합 성능을 달성함을 입증하였으며, 이는 인과 발견의 메타 분석 (Meta-analysis)을 위해 LLM을 사용하는 것의 효과를 강조합니다.