增强大语言模型因果推理能力的综述
计算与语言
2025-03-13 v1 人工智能
摘要
大语言模型（LLMs）近期在语言任务及更广泛的任务中展现了显著的性能。然而，由于其固有的因果推理能力有限，LLMs 在处理需要稳健因果推理能力的任务（如医疗健康和经济分析）时仍面临挑战。因此，越来越多的研究致力于增强 LLMs 的因果推理能力。尽管相关研究蓬勃发展，但目前仍缺乏对该领域的挑战、进展和未来方向的系统综述。为了弥补这一重要空白，本文系统地回顾了如何强化 LLMs 因果推理能力的文献。我们从该主题的背景与动机介绍开始，继而总结该领域的关键挑战。此后，我们提出了一种新的分类法，以系统地对现有方法进行分类，并对各类方法之间及内部进行了详细比较。此外，我们总结了用于评估 LLMs 因果推理能力的现有基准和评估指标。最后，我们概述了这一新兴领域的未来研究方向，为该领域的研究者和从业者提供了见解与启发。
引用
@article{arxiv.2503.09326,
title = {A Survey on Enhancing Causal Reasoning Ability of Large Language Models},
author = {Xin Li and Zhuo Cai and Shoujin Wang and Kun Yu and Fang Chen},
journal= {arXiv preprint arXiv:2503.09326},
year = {2025}
}