Regularized Multi-LLMs Collaboration for Enhanced Score-based Causal Discovery
正则化多大语言模型协作辅助基于评分的因果发现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：摘要直接讨论由观测数据和先验知识学习因果图，研究目标属于因果推断中的因果发现。
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
正则化多大语言模型协作辅助基于评分的因果发现
- 研究问题
- 观测数据不足以恢复真实因果图时，如何结合多个大语言模型提供的先验知识，辅助基于评分的因果发现？
- 方法与思路
- 作者提出多个大语言模型共同辅助因果发现的通用框架，将其知识用于评分式方法；具体正则化和融合机制摘要未说明。
- 材料陈述的贡献
- 摘要明确提出从单个语言模型扩展到多个模型的辅助发现框架，但未报告识别定理、实验设计或性能改善数值。
- 阅读关注点
- 应核对语言模型知识如何转成图约束或评分信息、模型间分歧如何处理，以及错误知识对图恢复结果的影响。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要不足以判断模型知识可靠性、因果图可识别性及实际增益。
原文摘要
As the significance of understanding the cause-and-effect relationships among variables increases in the development of modern systems and algorithms, learning causality from observational data has become a preferred and efficient approach over conducting randomized control trials. However, purely observational data could be insufficient to reconstruct the true causal graph. Consequently, many researchers tried to utilise some form of prior knowledge to improve causal discovery process. In this context, the impressive capabilities of large language models (LLMs) have emerged as a promising alternative to the costly acquisition of prior expert knowledge. In this work, we further explore the potential of using LLMs to enhance causal discovery approaches, particularly focusing on score-based methods, and we propose a general framework to utilise the capacity of not only one but multiple LLMs to augment the discovery process.