整合专家提供的背景知识可以改善观测数据的因果结构发现，并且由于对比人工专家而言查询它们的成本较低，最近开始将大型语言模型（LLM）视为提供先验信息的来源。本研究首先提出了一组用于独立于下游算法评估 LLM 判断因果图发现的度量标准。其次，我们系统地研究了一组提示设计，使模型能够指定关于因果图结构的先验。最后，我们提出了一种将 LLM 先验整合到图发现算法中的通用方法，发现它们在常识基准和特别是用于评估边缘方向性时有助于提高性能。我们的研究突显了在该问题空间中使用 LLM 的潜力和局限性。

May, 2024

本文提出了一种结合基于知识的 LLMs 因果分析和数据驱动因果结构学习的新框架，以构建因果结构学习的新范式，并介绍了一套广泛的提示组，以从给定变量中提取因果图，并评估 LLM 先前因果对从数据中恢复因果结构的影响

Jun, 2023

基于观察数据的因果推断核心是确定可靠的因果图。本文研究表明，仅凭因果顺序而非完整图信息便足以进行因果效应推断。同时，我们利用大型语言模型（LLMs）作为虚拟领域专家，提出了一种从 LLMs 中获取因果顺序的鲁棒技术。实验证明，与传统的发现算法相比，我们的方法显著提高了因果顺序的准确性，突显了 LLMs 在各个领域增强因果推断的潜力。

Oct, 2023

本研究通过合成数据对预训练语言模型进行微调，验证了模型对于从文本中推断因果关系的能力，发现模型容易根据实体在文本中的出现顺序推断因果关系，但在因果关系推断方面存在后验谬误，且对于反事实关系的推断较为困难，从而对模型对因果关系的理解提出了质疑。

Jun, 2024

迭代式 LLM 监督 CSL（ILS-CSL）框架通过将基于 LLM 的因果推理与 CSL 相结合，并从 LLM 中获得反馈，从而改进了因果有向无环图（DAG）的学习，提供了更强效的因果发现方法，并在八个真实世界数据集上的综合评估中表现出优越的性能，展示了其推动因果发现领域进步的潜力。

Nov, 2023

本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

Oct, 2022

本文研究了大型语言模型在生成因果图方面的能力，通过将条件独立性查询作为 LLM 的提示并与 PC 算法的答案结合，提出了一种基于统计启发的投票模式来改善性能，并发现因果推理可以用于对概率查询进行合理解释，从而证明了基于知识的因果推理可能成为一种补充数据驱动因果发现的工具。

Jun, 2024

应用大型语言模型 (LLMs) 对因果发现中边的方向性进行预测，我们研究表明，LLMs 可以准确地预测因果图中边的方向性，并优于现有的最先进方法，这一发现表明 LLMs 在推进因果发现并帮助我们更好地理解复杂系统方面具有重要作用。

Nov, 2023

本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

Jun, 2012

Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识，实现了较大的结构准确性提升，并提供更有效地利用人类专业知识的方法，促进结构学习过程的透明度。

Oct, 2023