arXiv cs.CL· Bo Peng, Kaiwen Wu, Sirui Chen, Zhiheng Wang, Yu Qiao, Chaochao Lu·· 11 小时前AI 评分31
CauTion：让 LLM 在集成因果发现中知道何时可信
CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery
AI 导读
CauTion 框架通过共识过滤与 LLM 可靠性估计，将 LLM 领域知识可靠地整合进统计因果发现算法集成。其共识投票可解决高达 96% 的算法一致边并达到近乎完美的准确率，再以无标注信任校准限制 LLM 仅在算法证据不可靠的边上仲裁。在六个数据集上，CauTion 持续优于纯数据驱动和 LLM 增强基线，图越大增益越明显，且对 LLM 错误具备强鲁棒性。
正文 · AI 翻译
摘要：由于纯统计方法的根本局限性，例如等价类内的统计可区分性以及对有限样本量的敏感性，从观测数据中进行因果发现仍然具有挑战性。虽然大语言模型（LLM）为补充统计推断提供了一种有前景的领域知识来源，但现有的 LLM 增强方法容易受到 LLM 错误的影响，并产生高昂的 token 成本。此外，依赖单一以数据为中心的算法会使结果对算法特有的偏差敏感。为解决这些局限性，我们提出了 CauTion，一个通过共识过滤和 LLM 可靠性估计，将 LLM 领域知识可靠地集成到统计因果发现算法集成中的框架。CauTion 分三个阶段进行。首先，算法集成利用共识投票来解决算法一致的边中多达 96% 的边，在过滤后的共识边上实现近乎完美的准确率。其次，一种信任校准的仲裁机制通过无标注的信任校准程序估计 LLM 和算法的相对可靠性，然后利用该可靠性来管理信任加权投票过程，该过程将 LLM 仲裁严格限制在算法证据不可靠的边上。第三，应用循环修复步骤以保证最终因果图有效无环。在六个数据集上的实验表明，CauTion 始终优于以数据为中心和 LLM 增强的基线，在更大的图上收益更大，并且对 LLM 错误具有很强的鲁棒性。代码可在 此 https URL 获取。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2606.03602 [cs.LG] |
| （或 arXiv:2606.03602v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2606.03602 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bo Peng [查看电子邮件]
[v1]
2026年6月2日星期二 13:07:43 UTC（439 KB）
[v2]
2026年10月16日星期五 03:54:16 UTC（494 KB）
来源：arXiv cs.CL · arxiv.org