LLM-增强因果发现：边缘存在和方向的概率融合

摘要

arXiv:2608.27472v1 Announce Type: new Abstract: Bayesian network structure learning (BNSL) from observational data struggles with orientation identifiability, while large language models (LLMs) offer ...

BNSL with edge and orientation sources over while LLMs causal

2026-08-31 1 阅读约1分钟阅读 Neville K. Kitson, Anthony Constantinou

arXiv:2608.27472v1 公告类型：新摘要：从观察数据中进行贝叶斯网络结构学习 (BNSL) 与方向可识别性作斗争，而大型语言模型 (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）与跨多个提示和随机种子的三种 LLM（Gemini、Claude、GPT）相结合。在 26 个网络中的 22 个网络中，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。

订阅66必读