Causal Walk: 通过前门调整对多跳事实验证进行去偏

传统的多跳事实验证模型容易依赖来自标注伪影的虚假相关性，导致在无偏数据集上性能明显下降。在各种去偏工作中，基于因果推断的方法通过执行理论上保证的去偏（如因果干预或反事实推理）而变得流行。然而，现有的基于因果推断的去偏方法主要将事实验证表述为单跳推理任务以处理浅层偏差模式，无法处理隐藏在多个证据跳中的复杂偏差模式。为了应对这一挑战，我们提出了Causal Walk，一种新颖的方法，从因果角度通过前门调整对多跳事实验证进行去偏。具体地，在结构因果模型中，引入处理（输入声明-证据图）和结果（真实性标签）之间的推理路径作为中介变量以阻断混杂因素。通过前门调整，处理和结果之间的因果效应被分解为处理与中介之间的因果效应（通过随机游走思想估计）以及中介与结果之间的因果效应（通过归一化加权几何平均近似估计）。为了研究所提出方法的有效性，借助大语言模型构建了一个对抗性多跳事实验证数据集和一个对称多跳事实验证数据集。实验结果表明，Causal Walk在现有数据集和新构建的数据集上均优于一些先前的去偏方法。代码和数据将在https://github.com/zcccccz/CausalWalk发布。