IRIS：一个面向无表格数据环境下的可验证因果发现的迭代集成框架
计算与语言
2025-10-13 v1 机器学习
摘要
因果发现是科学研究的基本任务，但传统统计算法面临诸多挑战，包括昂贵的数据收集、对已知关系的冗余计算以及不切实际的假设。虽然近期基于 LLM 的方法在识别常见因果关系方面表现出色，但难以发现新颖的关系。我们引入 IRIS（Iterative Retrieval and Integrated System for Real-Time Causal Discovery），一个新型框架，用于解决上述局限性。IRIS 从一组初始变量开始，自动收集相关文档、提取变量并揭示因果关系。我们的混合因果发现方法结合了统计算法和 LLM 方法，以发现已知和新颖的因果关系。除了对初始变量进行因果发现之外，IRIS 的缺失变量提议组件还能识别并纳入缺失变量，以扩大因果图。我们的做法使 IRIS 能够仅凭一组初始变量即可进行实时因果发现，无需预先存在的数据集。
引用
@article{arxiv.2510.09217,
title = {IRIS: An Iterative and Integrated Framework for Verifiable Causal Discovery in the Absence of Tabular Data},
author = {Tao Feng and Lizhen Qu and Niket Tandon and Gholamreza Haffari},
journal= {arXiv preprint arXiv:2510.09217},
year = {2025}
}
备注
ACL 2025