本文是LLM系列文章,针对《Bridging Causal Discovery and Large Language Models: A Comprehensive Survey of Integrative Approaches and Future Directions》的翻译。
摘要
因果发现(CD)和大型语言模型(LLM)代表了两个新兴的研究领域,对人工智能具有重要意义。尽管它们有着不同的起源——CD专注于从数据中揭示因果关系,LLM专注于处理和生成类人文本——但这些领域的融合为理解复杂系统提供了新的见解和方法。本文对LLM(如GPT-4)与CD任务的集成进行了全面的调查。我们系统地回顾和比较了利用LLM执行各种CD任务的现有方法,并强调了它们对元数据和自然语言的创新使用,以推断因果结构。我们的分析揭示了LLM在增强传统CD方法和作为一名不完美的专家方面的优势和潜力,以及当前实践中固有的挑战和局限性。此外,我们发现了文献中的空白,并提出了未来的研究方向,旨在充分利用LLM在因果关系研究中的潜力。据我们所知,这是第一次对LLM和CD之间的协同作用进行统一和详细的研究,为该领域的未来发展奠定了基础。