论文
利用大语言模型进行因果发现：一种基于约束、论辩驱动的方法
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
摘要
因果发现旨在从数据中揭示因果关系（通常表示为因果图），对预测干预效果至关重要。尽管构建有原则的因果图需要专家知识，但已有许多统计方法利用观测数据，提供不同程度的形式保证。Causal Assumption-based Argumentation（ABA）是一个用符号推理确保输入约束与输出图对应的框架，同时提供结合数据与专业知识的原则性途径。我们探索让大语言模型（LLM）充当 Causal ABA 中不完美专家：从变量名和描述中引出语义结构先验，并与条件独立性证据整合。在标准基准和语义扎根的合成图上的实验展示了最优性能，我们还提出评估协议以减轻评估 LLM 因果发现时的记忆偏差。
