ARCADIA: Scalable Causal Discovery for Corporate Bankruptcy Analysis Using Agentic AI
ARCADIA：使用智能体 AI 开展企业破产分析的可扩展因果发现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：摘要以因果发现、有向无环图和干预解释为核心，直接对应因果推断。
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
ARCADIA：使用智能体 AI 开展企业破产分析的可扩展因果发现
- 研究问题
- 如何结合大语言模型推理与统计诊断，从企业破产数据构建时间顺序一致、可解释的因果图，并评估其因果有效性？
- 方法与思路
- 作者提出 ARCADIA 框架，以约束引导的提示和因果有效性反馈迭代修改候选有向无环图，并与三类因果发现算法比较。
- 材料陈述的贡献
- 摘要称该框架在企业破产实验中生成更可靠的因果图，并提供可解释、面向干预的流程；这些均为作者报告的比较结论。
- 阅读关注点
- 应核对因果有效性反馈依据、时间约束、隐藏混杂处理，以及图可靠性的评价标准、基准设置和干预解释所需假设。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未交代识别条件、图真值或评价数值，不能据此确认干预效应有效。
原文摘要
This paper introduces ARCADIA, an agentic AI framework for causal discovery that integrates large-language-model reasoning with statistical diagnostics to construct valid, temporally coherent causal structures. Unlike traditional algorithms, ARCADIA iteratively refines candidate DAGs through constraint-guided prompting and causal-validity feedback, leading to stable and interpretable models for real-world high-stakes domains. Experiments on corporate bankruptcy data show that ARCADIA produces more reliable causal graphs than NOTEARS, GOLEM, and DirectLiNGAM while offering a fully explainable, intervention-ready pipeline. The framework advances AI by demonstrating how agentic LLMs can participate in autonomous scientific modeling and structured causal inference.