Can Large Language Models Help Experimental Design for Causal Discovery?
大语言模型能否辅助因果发现的实验设计？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：摘要聚焦因果结构发现中的干预目标选择，最直接对应因果推断中的实验设计问题。
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…
大语言模型能否辅助因果发现的实验设计？
- 研究问题
- 当干预数据稀缺导致数值指导信号估计不准时，能否利用大语言模型中的背景知识改善因果发现实验的干预目标选择？
- 方法与思路
- 作者提出 LeGIT 框架，将大语言模型提供的实验设计知识与现有数值干预选择方法结合，并在四种现实基准规模上比较。
- 材料陈述的贡献
- 摘要称，LeGIT 在所用基准中较现有方法表现更好且更稳健，并超过其人类比较对象，展示语言模型辅助干预设计的潜力。
- 阅读关注点
- 应核对语言模型获得的背景信息、提示与数值信号结合方式、基准及评价指标，并检查人类比较协议和潜在信息泄漏。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明基准细节、成本及统计不确定性，超越人类的陈述仅限所设比较。
原文摘要
Designing proper experiments and selecting optimal intervention targets is a longstanding problem in scientific or causal discovery. Identifying the underlying causal structure from observational data alone is inherently difficult. Obtaining interventional data, on the other hand, is crucial to causal discovery, yet it is usually expensive and time-consuming to gather sufficient interventional data to facilitate causal discovery. Previous approaches commonly utilize uncertainty or gradient signals to determine the intervention targets. However, numerical-based approaches may yield suboptimal results due to the inaccurate estimation of the guiding signals at the beginning when with limited interventional data. In this work, we investigate a different approach, whether we can leverage Large Language Models (LLMs) to assist with the intervention targeting in causal discovery by making use of the rich world knowledge about the experimental design in LLMs. Specifically, we present Large Language Model Guided Intervention Targeting (LeGIT) -- a robust framework that effectively incorporates LLMs to augment existing numerical approaches for the intervention targeting in causal discovery. Across 4 realistic benchmark scales, LeGIT demonstrates significant improvements and robustness over existing methods and even surpasses humans, which demonstrates the usefulness of LLMs in assisting with experimental design for scientific discovery.