Investigar las interacciones causales entre entidades es una tarea crucial en diversos campos científicos. Los métodos tradicionales de descubrimiento causal a menudo asumen una dirección causal predeterminada, lo cual es problemático cuando el conocimiento previo es insuficiente. Identificar las direcciones causales a partir de datos observacionales sigue siendo un desafío clave. El descubrimiento causal típicamente se basa en dos priors: el prior uniforme y el prior de Solomonoff. El prior de Solomonoff teóricamente supera al prior uniforme en la determinación de direcciones causales en escenarios bivariados al utilizar el mecanismo de independencia causal. Sin embargo, este enfoque tiene dos problemas principales: asume que ninguna variable no observada afecta el resultado, lo que lleva al fracaso del método si se viola, y se basa en la complejidad de Kolmogorov (KC) no computable. Además, empleamos la función de estructura de Kolmogorov para analizar el uso de la longitud mínima de descripción (MDL) como una aproximación para KC, lo que muestra que la clase de funciones utilizada para calcular el MDL introduce sesgos previos, aumentando el riesgo de clasificación errónea. Inspirados por la condición INUS (parte insuficiente pero necesaria de una condición innecesaria pero suficiente), proponemos una asimetría donde el cambio esperado en la complejidad de la causa, debido a cambios en el efecto, es mayor que al revés. Este criterio complementa el mecanismo de independencia causal cuando sus condiciones restrictivas no se cumplen bajo el prior de Solomonoff. Para mitigar el sesgo previo y reducir el riesgo de clasificación errónea, introducimos un perceptrón multicapa basado en el teorema de aproximación universal como red principal, mejorando la estabilidad del método. Nuestro enfoque demuestra un rendimiento competitivo frente a los métodos SOTA en el conjunto de datos reales de TCEP. Además, los resultados en conjuntos de datos sintéticos muestran que nuestro método mantiene la estabilidad a través de diversos mecanismos de generación de datos y distribuciones de ruido. Este trabajo avanza en la investigación de la determinación de direcciones causales al abordar las limitaciones de los métodos existentes y ofrecer un enfoque más sólido y estable.