인과성 발견 알고리즘은 임의 변수들 사이의 인과적 의존성을 설명하는 네트워크를 학습합니다. 일반적인 작업 흐름은 먼저 관측 데이터에 대한 조건부 독립성 속성을 활용하여 부분적으로 방향이 지정된 인과 관계를 결정한 다음, 개입(interventions)을 적용하여 알려지지 않은 인과 방향을 정렬하는 것입니다. 첫 번째 단계의 핵심 가정은 신뢰성(faithfulness)입니다. 이는 인과적으로 연결된 변수들이 통계적 의존성을 보여야 한다는 요구사항입니다. 많은 자연 시스템에는 체계적 견고성(systemic robustness)을 달성하기 위해 상쇄되는 완충 및 안정화 경로가 포함됩니다. 이러한 경로의 상쇄는 신뢰성을 위반하며, 이는 인과성 발견 알고리즘이 인과 의존성을 잘못 제거하도록 만듭니다. 본 논문에서 우리는 강력한 개입(hard interventions)이 구조 발견의 첫 단계에서 간과되는 인과 연결 유무에 대한 정보를 포함한다고 주장합니다. 우리는 상쇄를 허용하는 '개입 즉시성 신뢰성(intervention-immediacy faithfulness)'이라는 온건한 가정이, 강력한 개입을 통해 인과 구조를 비모수적으로 식별하기에 충분함을 보여줍니다. 이러한 결과는 개입이 조건부 독립성 검정보다 우선해야 할 인과 구조 정보의 주요 전달 매체임을 위치시킵니다. 패러다임을 전환하기 위해, 우리는 또한 개입의 범위적 한계로 인해 식별 기준을 충족하지 못할 때 동치 클래스(equivalence classes)를 명시합니다.