Language Models as Causal Effect Generators
语言模型作为因果效应生成器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：摘要明确构造因果模型及反事实数据，并评估平均、条件平均和个体处理效应估计。
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
语言模型作为因果效应生成器
- 研究问题
- 如何用语言模型生成具有可控因果结构的序列数据和个体反事实，从而评估不同层次的处理效应估计方法？
- 方法与思路
- 作者提出序列驱动结构因果模型，由用户指定因果结构、语言模型定义机制，并从观测、干预与反事实分布中抽样。
- 材料陈述的贡献
- 摘要称其生成数千个数据集作为基准，发现所测因果方法优于非因果方法，而个体效应估计仍困难，并提出语言模型审计用途。
- 阅读关注点
- 应核对生成机制是否严格实现指定结构、反事实抽样如何耦合，以及基准难度和方法表现对语言模型与提示设定的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；比较结论仅针对所述生成基准，摘要未说明其与真实因果问题的对应程度。
原文摘要
In this work, we present sequence-driven structural causal models (SD-SCMs), a framework for specifying causal models with user-defined structure and language-model-defined mechanisms. We characterize how an SD-SCM enables sampling from observational, interventional, and counterfactual distributions according to the desired causal structure. We then leverage this procedure to propose a new type of benchmark for causal inference methods, generating individual-level counterfactual data to test treatment effect estimation. We create an example benchmark consisting of thousands of datasets, and test a suite of popular estimation methods for average, conditional average, and individual treatment effect estimation. We find under this benchmark that (1) causal methods outperform non-causal methods and that (2) even state-of-the-art methods struggle with individualized effect estimation, suggesting this benchmark captures some inherent difficulties in causal estimation. Apart from generating data, this same technique can underpin the auditing of language models for (un)desirable causal effects, such as misinformation or discrimination. We believe SD-SCMs can serve as a useful tool in any application that would benefit from sequential data with controllable causal structure.