LMT：从制造系统中的文本警报记录中发现因果关系的贝叶斯框架

文本事件记录（例如警报日志）已成为工程和制造系统中越来越常见的数据源。除了识别相关性或重复出现的模式之外，工程师通常还想了解在系统运行期间哪些类型的事件会触发或影响其他事件。文本事件描述可能包含有关此类因果关系的语义线索，最近的 大语言模型 (LLM) 为提取这些信号提供了一个有前景的工具。然而，仅仅依靠 LLM 编码的文本信息不足以准确发现因果关系，因为语义模式不能直接揭示因果机制，并且可能会将因果关系与相关性或频繁的顺序模式混淆。为了应对这些挑战，我们提出了 \textbf{LMT}，这是一种用于工程事件数据的贝叶斯因果发现框架，联合利用文本描述和时间戳。具体来说，LMT首先使用LLM从事件描述中提取语义因果信号，并在事件类型或事件簇之间的因果图上构建先验分布。然后，它通过基于泊松过程的可能性合并时间证据，允许 LLM 通知先验通过基于时间戳的统计证据进行细化。通过整合文本和时间信息，LMT 生成可解释且有数据支持的因果图。仿真研究表明，所提出的框架在不同的设置下都是有效的，并且在小样本警报事件场景中尤其有利。