Efficient Causal Graph Discovery Using Large Language Models

本文是LLM系列文章，针对《Efficient Causal Graph Discovery Using Large Language Models》的翻译。

摘要

我们提出了一个新的框架，利用LLM进行完全因果图发现。虽然以前基于LLM的方法使用了成对查询方法，但这需要二次查询数，这对于较大的因果图来说很快变得不切实际。相反，所提出的框架使用广度优先搜索（BFS）方法，该方法允许其仅使用线性数量的查询。我们还表明，在可用的情况下，所提出的方法可以很容易地结合观测数据，以提高性能。除了更高效的时间和数据外，所提出的框架还在不同大小的真实世界因果图上实现了最先进的结果。结果证明了所提出的方法在发现因果关系方面的有效性和效率，展示了其在不同领域的因果图发现任务中广泛适用的潜力。

1 引言

2 相关工作

3 方法

4 实验和结果

5 局限性

6 结论

在这项工作中，我们介绍了一种新的因果图发现方法，该方法结合大型语言模型，利用广度优先搜索方法。与统计方法相比，所提出的方法消除了对观测数据和额外训练时间的需求，确保了在不同问题领域的快速简便适用性。当观测数据可用时，我们表明可以将其纳入所提出的方法中，以进一步提高性能。与现有的基于LLM的方法相比，所提出的方法通过将查询数量与变量数量线性缩放而不是二次缩放来实现优越的效率。此外，所提出的方法在