데이터 기반의 인과 관계 식별 (Data-driven causal relationship identification)은 과학 내부와 외부 모두에서 복잡한 시스템에 대한 이해를 증진하는 데 매우 중요합니다. 베이지안 네트워크 (Bayesian networks)는 유향 비순환 그래프 (Directed Acyclic Graphs, DAGs)를 통해 일반적인 인과 관계를 모델링하는 확률적 방법을 제공합니다. 그러나 베이지안 네트워크를 구축하는 전형적인 기술들은 최적화 (Optimization)에 의존하는데, 이는 기저의 데이터가 여러 개의 인과 사슬을 허용할 수 있기 때문에 인과 관계를 학습하는 데 부적합할 수 있습니다. 인과 관계에 대해 더 데이터에 충실한 (Data-faithful) 표현 방식은 기저 데이터에 내재된 가변성과 일치하는 여러 인과 지도를 구축할 수 있는 프레임워크를 제공할 것입니다. 본 논문에서는 엔트로피 기반 추론 (Entropy-based inference)이 기저 데이터와 일치하는 그럴듯한 인과 관계의 아틀라스 (Atlases)를 생성함을 보여줍니다. 2개 및 20개 노드의 선형 구조 방정식 모델 (Linear structural equation models)을 사용한 시뮬레이션된 노이즈 데이터에서, 우리는 기저 인과 관계에 내재된 구조적 모호성 (Structural ambiguity)을 정량화할 수 있게 해주는 최대 엔트로피 그래프 앙상블 (Maximum-entropy ensemble of graphs)을 샘플링합니다. 우리의 방법은 "최적화된" DAG가 인과적 아티팩트 (Causal artifacts)를 포함할 수 있으며, 동등하게 정확한 위상 (Topologies)들 사이에서 일관되지 않을 수 있음을 보여줍니다.