论文
大语言模型增强的因果发现：边存在性与方向的概率融合
LLM-Augmented Causal Discovery: Probabilistic Fusion of Edge Existence and Orientation
摘要
来自观察数据的贝叶斯网络结构学习 (BNSL) 难以识别方向，而大语言模型 (LLM) 提供广泛但通常不可靠的因果知识。我们建议通过一种称为概率依赖图（PDG）的新颖表示来组合这些互补源。在 PDG 中，每条边都与有向、无向和缺席状态上的分布相关联，从而通过加权平均实现融合。我们在 26 个基准网络上评估了这种方法，将三种 BNSL 算法（FGES、Tabu、PC）与三种 LLM（Gemini、Claude、GPT）跨多个提示和随机种子的集合相结合。在 26 个网络中的 22 个中，简单的 50/50 融合比单独使用任一来源的更好的 F1 有所提高，统计上显着的平均改进为 $0.056$$(p<0.001)$。分析表明，这两个来源发挥着互补作用：BNSL 贡献了高召回率边缘骨架（LLM 为 80% vs 60%），而 LLM 贡献了准确的边缘方向（BNSL 为 96% vs 77%）。我们的结果表明，将两个源表示为边缘存在和方向的概率不确定性是提高因果图准确性的实用且有效的方法。
