Die Auswahl des besten Algorithmus zur Kausalfindung für einen neuen Datensatz ist ein schwieriger und zeitaufwändiger Prozess, da der Forscher über Vorkenntnisse zu bestehenden Standardalgorithmen für das Strukturlernen verfügen muss. Diese Forschungsarbeit schlägt einen neuartigen Meta-Lernansatz für dieses Problem vor. Meta-Lernen bezeichnet das Lernen über Lernalgorithmen, bei dem verschiedene Arten von Metadaten, wie Eigenschaften des Lernproblems, Leistungsmaße verschiedener Algorithmen und aus den Daten abgeleitete Muster, verwendet werden, um den besten oder eine Kombination von Lernalgorithmen auszuwählen, mit denen ein gegebenes Lernproblem effektiv gelöst werden kann. Mehrere in der Literatur beschriebene Bayes'sche Netzwerke wurden manipuliert, um Tausende von Datensätzen zu generieren, aus denen jeweils spezifische Merkmale für das Meta-Lernen extrahiert wurden. Drei Standardalgorithmen zum Strukturlernen wurden auf jeden der generierten Datensätze angewendet, um zugrunde liegende kausale Netzwerke zu entdecken, und ihre Leistung wurde bewertet. Mit unseren neuen Techniken konnten wir ein Tool implementieren, mit dem viele kausale Modelle generiert, viele Datensätze aus jedem Modell entnommen und später durch Meta-Lernen die besten oder eine Kombination von Algorithmen für neue Datensätze ermittelt werden können.