Discovery of the Hidden World with Large Language Models

828 篇文章

已下架不支持订阅

本文介绍了一个名为COAT的新框架,利用大型语言模型(LLM)从非结构化数据中提取潜在的因果因素,进行因果发现。COAT结合LLM和因果学习算法,通过实证研究在揭示潜在因果系统中的有效性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Discovery of the Hidden World with Large Language Models》的翻译。

摘要

科学源于从已知事实和观察结果的结合中发现新的因果知识。传统的因果关系发现方法主要依靠高质量的测量变量,通常由人类专家给出,来发现因果关系。然而,因果变量在广泛的现实世界应用中通常是不可用的。大型语言模型(LLM)的兴起为从世界的大规模观测中学习丰富的知识提供了一个新的机会,有助于从原始观测数据中发现高水平的隐藏变量。因此,我们引入了COAT:因果关系表征助理。COAT将LLM作为一个因素提出者,从非结构化数据中提取潜在的因果因素。此外,LLM还可以被指示提供用于收集数据值(例如,注释标准)的附加信息,并进一步将原始非结构化数据解析为结构化数据。带注释的数据将被馈送到因果学习模块(例如,FCI算法),该模块提供对数据的严格解释以及有用的反馈,以进一步改进LLM对因果因素的提取。我们通过两个案例研究,即审查评级分析和神经病理性诊断,验证了COAT在揭示潜在因果系统方面的有效性。

1 引言

2 相关工作

3 LLM的因果发现

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值