HOLOGRAPH：通过层理论对齐大语言模型先验的主动因果发现
机器学习
2026-01-06 v2 人工智能
统计方法学
摘要
从观测数据中进行因果发现从根本上受到可识别性约束的限制。最近的研究探索了利用大语言模型（LLM）作为先验因果知识的来源，但现有方法依赖于缺乏理论基础的启发式集成。我们引入了 HOLOGRAPH，这是一个通过层理论形式化 LLM 引导的因果发现的框架——将局部因果信念表示为变量子集上的预层截面。我们的核心见解是，一致的全局因果结构对应于全局截面的存在，而拓扑障碍则表现为非零的层上同调。我们提出了代数潜在投影来处理隐藏混杂因子，并提出了在信念流形上的自然梯度下降以实现原则性优化。在合成和真实世界基准上的实验表明，HOLOGRAPH 提供了严格的数学基础，同时在具有 50-100 个变量的因果发现任务上取得了有竞争力的性能。我们的层理论分析揭示，虽然恒等性、传递性和粘合公理在数值精度（<10^{-6}）内得到满足，但局部性公理在较大图上失效，这表明潜在变量投影中存在根本性的非局部耦合。代码可在 [https://github.com/hyunjun1121/holograph](https://github.com/hyunjun1121/holograph) 获取。
引用
@article{arxiv.2512.24478,
title = {HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors},
author = {Hyunjun Kim},
journal= {arXiv preprint arXiv:2512.24478},
year = {2026}
}