Bridging Causal Discovery and Large Language Models

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。

1 引言

2 背景

3 问题定义

4 当前的方法

5 挑战与愿景

6 结论

在所描述的挑战中，大型语言模型（LLM）与因果发现（CD）