使用语言模型推断两个事件序列之间的因果关系

因果人工智能是人工智能的一个分支，它有助于理解和推理因果关系，而不仅仅是模式或相关性。因果发现旨在从观察数据和干预数据（如果可用）中推断出潜在因果结构的元素（通常表示为有向图）。虽然因果发现是超越单纯关联走向真正理解的基本步骤，也是因果人工智能的基本组成部分，但当必须从单一观察中推断因果关系时，它本质上就变得困难。在这种情况下，无法使用标准的因果发现方法，必须从有限的信息量中识别因果关系。这是典型的情况，例如，不同警报产生的事件序列需要动态分析以检测通常很少见的异常现象。我们在这项研究中表明，利用大语言模型 (LLM) 的预测能力来推断两个事件序列之间的因果关系是可能的。这种方法在合成数据和真实数据上都得到了验证，在多个时间序列数据上提供了比标准因果发现算法更好的结果，即使这些数据被转换为更小的、单个观察序列。