Apr, 2024

LLM 在干预数据的时间域因果推断中的增强

PDF
TL;DR提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。
发现论文，激发创造
  • 跨越因果发现和大型语言模型的桥梁：综合方法与未来方向的全面调研

    本文就 LLM（如 GPT4）在因果发现任务中的综合应用进行了全面的调查，系统地回顾和比较了现有的 LLM 利用方法，并强调了它们在推断因果结构中利用元数据和自然语言的创新使用。我们的分析揭示了 LLM 在增强传统 CD 方法和作为不完善专家方面的优势和潜力，同时也揭示了当前实践中存在的挑战和限制。此外，我们还确定了文献中的空白，并提出了旨在发挥 LLM 在因果研究中全部潜力的未来研究方向。据我们所知，这是第一次对 LLM 和 CD 之间的协同作用进行统一而详细的调查，为未来的进展奠定了基础。

    Feb, 2024

  • 干预数据的可微因果发现

    本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

    Jul, 2020

  • 从查询工具到因果架构：利用大型语言模型从数据中进行先进的因果发现

    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

  • 针对时态和非时态数据的因果发现方法调查

    本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

    Mar, 2023

  • LLM 导向的因果推断

    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

  • 基于约束的因果发现的大型语言模型

    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

  • 学习灵活的时间窗格兰杰因果关系，整合异质干预时间序列数据

    本研究基于异质干预时间序列数据，提出了一种理论上有根据的方法，用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系，并在比较实验中证明了我们的方法在学习干预时间序列数据中的 Granger 因果结构方面优于其他鲁棒基准方法。

    Jun, 2024

  • 用于因果发现的元强化学习算法

    本文中提出了一种利用元强化学习算法，通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法，研究表明与现有最先进的方法相比表现出的结果更好，揭示了这种干预策略对于该方法性能的贡献。

    Jul, 2022

  • 在因果发现中整合大语言模型：统计因果方法

    通过将领域专家知识作为约束嵌入到算法中，结合使用统计因果推断方法和基于知识的因果推断方法，通过大型语言模型进行统计因果提示，可以改善数据驱动的因果推断。该方法能够解决数据集偏差和限制等挑战，展示了大型语言模型在不同科学领域中改进数据驱动因果推断的潜力。

    Feb, 2024

  • 利用有向因果发现技术检测潜在共因变量

    本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

    Oct, 2019