2025-NIPS-Causality Meets the Table: Debiasing LLMs for Faithful TableQA via Front-Door Intervention

文章核心总结与翻译

一、主要内容

该研究聚焦于表格问答（TableQA）任务中大型语言模型（LLMs）依赖训练语料中token共现模式导致的虚假关联和推理不可靠问题，提出了基于因果干预的框架CIT（Causal Intervention TableQA）。

1. 问题背景：现有LLM-based TableQA方法（直接提示DP、智能体Agent范式）虽表现优异，但易受预训练数据中token共现偏差影响（如"exactly"常与"yes"共现导致误判），形成虚假因果路径，缺乏真实推理能力。
2. 核心思路：将TableQA建模为结构化因果图，识别token共现模式为潜在混杂因子，采用前门调整（front-door adjustment）消除偏差，无需直接访问混杂因子或模型内部结构。
3. 框架构成：
   • 问题变体生成：生成语义一致、表面形式不同的问题变体，减少词汇偏差；
   • 证据聚合：汇总各变体的相关证据，提升覆盖完整性；
   • 答案推理：结合DP（自然语言逐步推理）和Agent（符号化代码执行）两种范式；
   • 联合投票：通过多数投票整合两类推理结果，确定最终答案。