ACCESS：抽象因果事件发现与推理的基准
人工智能
2025-02-13 v1
摘要
识别因果关系对于理解现实世界动态和最终实现因果推理至关重要。现有的NLP中识别事件因果性的方法，包括基于大语言模型（LLMs）的方法，在分布外设置中表现出困难，这源于可用基准的规模有限且严重依赖词汇线索。受概率因果推断启发的现代基准尝试构建事件的因果图作为因果知识的鲁棒表示，其中CRAB是该方向上的一个近期基准。在本文中，我们引入了ACCESS，一个用于抽象因果事件的发现与推理的基准。与现有资源不同，ACCESS聚焦于日常生活事件在抽象层面上的因果性。我们提出了一条从GLUCOSE中识别事件泛化抽象的流水线，GLUCOSE是一个大规模的隐性常识因果知识数据集，从中我们随后提取了1,4K个因果对。我们的实验突显了使用统计方法和/或LLMs进行自动抽象识别和因果发现所面临的持续挑战。尽管如此，我们证明ACCESS中提供的抽象因果知识可用于增强LLMs中的问答推理性能。
引用
@article{arxiv.2502.08148,
title = {ACCESS : A Benchmark for Abstract Causal Event Discovery and Reasoning},
author = {Vy Vo and Lizhen Qu and Tao Feng and Yuncheng Hua and Xiaoxi Kang and Songhai Fan and Tim Dwyer and Lay-Ki Soon and Gholamreza Haffari},
journal= {arXiv preprint arXiv:2502.08148},
year = {2025}
}