利用工具增强的 LLM 智能体探索多模态数据以实现精确因果发现
机器学习
2025-06-03 v2 人工智能
统计方法学
摘要
因果发现是跨领域决策的重要基础，例如智慧医疗、AI 药物发现和 AIOps。传统的统计因果发现方法虽然成熟，但主要依赖观测数据，且往往忽略了因果关系中所固有的语义线索。大型语言模型（LLM）的出现为利用语义线索进行知识驱动的因果发现提供了一种经济的方式，但用于因果发现的 LLM 的发展落后于其他领域，特别是在多模态数据的探索方面。为了弥合这一差距，我们引入了 MATMCD，一个由工具增强 LLM 驱动的多智能体系统。MATMCD 有两个关键智能体：一个数据增强智能体，负责检索和处理模态增强数据；以及一个因果约束智能体，负责整合多模态数据以进行知识驱动推理。所提出的内部工作机制设计确保了智能体的成功协作。我们在七个数据集上的实证研究表明了多模态增强因果发现的巨大潜力。
引用
@article{arxiv.2412.13667,
title = {Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery},
author = {ChengAo Shen and Zhengzhang Chen and Dongsheng Luo and Dongkuan Xu and Haifeng Chen and Jingchao Ni},
journal= {arXiv preprint arXiv:2412.13667},
year = {2025}
}