因果审计：通过目标感知因果链构建进行显式且可审计的基于图的推理

arXiv:2607.15281v1 公告类型：新 摘要：基于因果和干预的问答对于推进大型语言模型 (LLM) 超越表面关联的推理和理解潜在的因果机制至关重要。然而，现有的基于LLM的方法通常依赖于隐式语言级推理，导致在复杂干预下，特别是在上下文无关的环境中，因果假设不透明、推理路径无法验证、预测脆弱。在本文中，我们提出了一个明确且可审计的因果推理框架，用于上下文无关的基于干预的问答。我们的方法通过四个模块化阶段将因果推理表述为对显式因果图的结构化推理，而不是隐式的端到端预测。一个关键的创新是目标感知的因果图构建策略，该策略将目标变量视为图扩展过程中的核心约束，有效抑制不相关变量、虚假因果关系和推理噪声。我们进一步引入了路径级因果证据聚合机制，该机制结合了多个因果路径，同时对强化和抵消效应进行建模，从而实现超越单链推理的稳健决策。对三个基准的广泛实验表明，我们的框架始终优于现有的基于 LLM 的方法，同时提供可解释和可审计的因果推理轨迹。