MaSCoD：以结构上下文引导候选因果图生成

摘要

LLM已被用于因果发现，但候选图生成很少把过早遗漏潜在相关因果关系设为明确设计目标。我们提出多智能体框架MaSCoD，在判断直接边之前组织候选第三变量和局部结构模式。我们以GPT-5.4为主要骨干、GPT-4o作复现，在Auto-MPG、DWD和Sachs上评估。MaSCoD呈现依赖数据集和骨干的关系保留—选择性特征，而不是一致领先。在全部六个数据集—骨干设置中，先提供结构假设再判断直接边的Full，相对在判断流程中才构造假设的No Phase 1，平均召回率和F1均更高，但误报率也上升。相对全部所评估基线，额外保留参考边的效果出现在GPT-5.4的DWD以及GPT-4o的Sachs上，而非全部设置。局部消融表明，同时提供两类信息并不总优于只提供一类。GPT-5.4的阶段分析显示，Full与No Phase 1的保留差距在直接边判断后已出现，而协调阶段在Sachs上给Full带来额外参考边损失。这些发现支持将结构预组织作为控制遗漏的明确设计和评价目标，并推动联合评估上下文构造及其在判断中的使用。

MaSCoD：以结构上下文引导候选因果图生成：论文配图 — 图 3.1：拟议的候选图生成框架概述。该方法以变量名称、自然语言变量描述和观测数据作为输入，并通过三个阶段生成采用的候选图。第一阶段为每个有序变量对引出并选择候选第三变量和结构模式。第 2 阶段估计是否应在第 1 阶段生成的第三变量上下文下保留直接因果关系。第 3 阶段整合生成的有序对判断，解析双向边缘，并应用事后循环去除。当循环去除完成后，采用的输出是DAG；否则，保留双向边缘解析后得到的图作为采用的估计。