因果集成代理：通过 LLM 引导的专家重新加权进行分层因果发现

因果发现旨在从观测数据中揭示因果结构，这对于现实世界的决策至关重要。然而，不同的因果发现算法可能会产生相互冲突的不同结果，从而使准确因果图的识别变得复杂。传统方法依赖于数值和统计假设，通常忽略丰富的特定领域信息，例如特征描述，这也有助于结构学习。虽然最近的工作探索使用 大语言模型 (LLM) 通过直接查询来推断因果关系，但由于缺乏与实际数据的一致性，这种方法可能不可靠。为了解决这些限制，我们提出了因果集成代理（CEA），这是一种新颖的框架，通过线性意见池聚合来自不同图级别的统计发现专家的结构见解，并使用 LLM 作为元裁判，在聚合置信度接近决策边界时动态重新加权专家，从而组成改进且更完整的因果图。对合成数据集和真实数据集的大量实验表明，CEA 在各种因果发现方法中实现了最强的整体性能，凸显了使用 LLM 在因果发现中进行荟萃分析的有效性。