HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors
HOLOGRAPH：通过层论对齐大语言模型先验的主动因果发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要的直接任务是结合语言模型先验进行因果发现，并处理潜在混杂。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
HOLOGRAPH：通过层论对齐大语言模型先验的主动因果发现
- 研究问题
- 如何将大语言模型提供的局部因果信念整合成全局因果结构，并处理隐藏混杂及局部信念之间的矛盾，而非仅依靠启发式拼接？
- 方法与思路
- 作者以变量子集上的预层截面表示局部信念，用全局截面和层上同调描述协调与障碍，并提出代数潜在投影及自然梯度优化。
- 材料陈述的贡献
- 摘要称框架在因果发现基准上表现有竞争力，但同时报告较大图中的局部性公理失效，提示潜变量投影存在非局部耦合。
- 阅读关注点
- 应重点核对预层与层的区分、全局结构对应关系的证明，以及局部性失效对理论结论的影响；还应检查语言模型先验的错误敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。数值满足部分公理不等于一般证明，摘要未说明如何突破观察数据的识别限制。
原文摘要
Causal discovery from observational data remains fundamentally limited by identifiability constraints. Recent work has explored leveraging Large Language Models (LLMs) as sources of prior causal knowledge, but existing approaches rely on heuristic integration that lacks theoretical grounding. We introduce HOLOGRAPH, a framework that formalizes LLM-guided causal discovery through sheaf theory--representing local causal beliefs as sections of a presheaf over variable subsets. Our key insight is that coherent global causal structure corresponds to the existence of a global section, while topological obstructions manifest as non-vanishing sheaf cohomology. We propose the Algebraic Latent Projection to handle hidden confounders and Natural Gradient Descent on the belief manifold for principled optimization. Experiments on synthetic and real-world benchmarks demonstrate that HOLOGRAPH provides rigorous mathematical foundations while achieving competitive performance on causal discovery tasks with 50-100 variables. Our sheaf-theoretic analysis reveals that while Identity, Transitivity, and Gluing axioms are satisfied to numerical precision (<10^{-6}), the Locality axiom fails for larger graphs, suggesting fundamental non-local coupling in latent variable projections. Code is available at [https://github.com/hyunjun1121/holograph](https://github.com/hyunjun1121/holograph).