因果-反事实RAG：将因果-反事实推理集成到检索增强生成中
计算与语言
2025-09-26 v2 信息检索
摘要
大型语言模型（LLM）已彻底变革了自然语言处理（NLP），通过集成大规模预训练知识实现了多样化应用。然而，其静态知识限制了对外部信息的动态推理，尤其是在知识密集型领域。检索增强生成（RAG）通过结合检索机制与生成建模来提高情境理解，缓解了这一挑战。传统RAG系统因文本分块和过度依赖语义相似度进行检索，常导致情境完整性受扰，产生浅层且不够准确的响应。我们提出因果-反事实RAG（Causal-Counterfactual RAG），一种新型框架，将显式表示因果关系的因果图整合到检索过程中，并基于因果结构纳入反事实推理。不同于传统方法，本框架不仅评估直接因果证据，还评估关联原因的反事实性，二者结合以生成更稳健、准确且可解释的答案。通过利用因果通路及其相关假设情景，因果-反事实RAG保留情境连贯性，降低幻觉现象，提升推理忠实度。
引用
@article{arxiv.2509.14435,
title = {Causal-Counterfactual RAG: The Integration of Causal-Counterfactual Reasoning into RAG},
author = {Harshad Khadilkar and Abhay Gupta},
journal= {arXiv preprint arXiv:2509.14435},
year = {2025}
}