arXiv cs.AI· Nicol\'as Astorga, Anita Kriz, Mihaela van der Schaar·· 4 小时前AI 评分38
CauSim:用日益复杂的因果模拟器扩展 LLM 因果推理能力
Scaling Causal Reasoning with Increasingly Complex Causal Simulators
AI 导读
研究者提出 CauSim 框架,将因果推理从标签稀缺问题转化为可扩展的监督学习问题。该框架由 LLM 增量构建可执行的结构因果模型(SCM),在扩展到全局复杂系统的同时保持因果查询答案可验证,并能将可执行 SCM 翻译为自然语言以实现跨表示监督。实验显示其具备跨表示泛化能力,课程规模与数据量带来一致增益,并支持 LLM 通过自生成模拟器自我改进。
正文 · AI 翻译
摘要:尽管大型语言模型(LLM)在数学、编程及其他知识密集型任务上已超越人类表现,但在因果推理方面仍存在困难。一个核心障碍在于目标数据本身:因果系统复杂,且常以不可执行的形式表达,而因果查询的真实答案本身又十分稀缺。我们提出 CauSim,一个将因果推理从稀缺标签问题转变为可扩展监督问题的框架。CauSim 构建日益复杂的因果模拟器:由 LLM 逐步构建的可执行结构因果模型(SCM),可扩展至全局复杂的系统,同时保持对因果查询的可验证答案。CauSim 跨表示形式运作,将不可执行的因果知识形式化为代码,从而实现数据增强,并将可执行的 SCM 转换为自然语言,从而在以往难以监督的表示形式中实现监督。我们将研究分为两部分:(1)如何构建日益复杂的因果模拟器;(2)系统研究 CauSim 能实现什么,展示跨表示形式的泛化能力、课程扩展与数据量带来的持续收益、LLM 通过自生成模拟器实现的自我改进,以及通过将现有领域知识形式化实现的数据增强。
| 学科: | 人工智能(cs.AI) |
| 引用为: | arXiv:2605.09079 [cs.AI] |
| (或 arXiv:2605.09079v2 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2605.09079 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Nicolas Astorga [查看邮箱]
[v1]
2026年5月9日星期六 17:39:26 UTC(661 KB)
[v2]
2026年11月17日星期二 00:54:34 UTC(2,200 KB)
来源:arXiv cs.AI · arxiv.org