Enhancing Causal Reasoning in Large Language Models: A Causal Attribution Model for Precision Fine-Tuning
增强大语言模型的因果推理：用于精准微调的因果归因模型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：摘要明确围绕干预式因果归因及成对因果发现展开，最直接对应因果推断。
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
增强大语言模型的因果推理：用于精准微调的因果归因模型
- 研究问题
- 如何通过干预式归因分析区分上下文、领域知识与数值信息对大语言模型因果发现表现的贡献，并据此设计更有针对性的微调？
- 方法与思路
- 作者使用 do 算子构造干预场景并定义归因分数，在不同领域的因果发现任务中评估这些分数，再据此微调成对因果发现模型。
- 材料陈述的贡献
- 摘要称模型表现高度依赖上下文和领域知识，对数值数据的利用主要限于相关计算；所提微调模型旨在更有效地结合知识与数值信息。
- 阅读关注点
- 应核对干预对象和归因分数的因果含义、任务真值来源、知识与数据信息的隔离方式，以及微调改进是否在独立任务上得到支持。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供归因识别条件、基准细节和提升数值，使用 do 算子本身不保证因果有效性。
原文摘要
This paper introduces a causal attribution model to enhance the interpretability of large language models (LLMs) and improve their causal reasoning abilities via precise fine-tuning. Despite LLMs' proficiency in diverse tasks, their reasoning processes often remain black box, and thus restrict targeted enhancement. We propose a novel causal attribution model that utilizes "do-operators" for constructing interventional scenarios, allowing us to quantify the contribution of different components in LLMs's causal reasoning process systematically. By assessing the proposed attribution scores through causal discovery tasks across various domains, we demonstrate that LLMs' effectiveness in causal discovery heavily relies on provided context and domain-specific knowledge but can also utilize numerical data with limited calculations in correlation, not causation. This motivates the proposed fine-tuned LLM for pairwise causal discovery, effectively and correctly leveraging both knowledge and numerical information.