逐步因果：基于多智能体树查询和对抗置信度估计的透明因果发现
机器学习
2026-01-16 v1 人工智能
机器学习
摘要
因果发现旨在恢复“什么导致什么”，但经典的基于约束的方法（例如PC、FCI）存在误差传播问题，而最近基于LLM的因果预言机通常表现为不透明、无置信度的黑盒。本文介绍了Tree-Query，一个树状结构的多专家LLM框架，它将成对因果发现简化为关于后门路径、（不）独立性、潜在混杂和因果方向的一系列短查询，从而产生具有鲁棒性感知置信度的可解释判断。为四种成对关系的渐近可识别性提供了理论保证。在源自Mooij等人和UCI因果图的无数据基准上，Tree-Query改进了直接LLM基线的结构指标，并且一个饮食-体重案例研究说明了混杂因素筛选以及稳定、高置信度的因果结论。因此，Tree-Query提供了一种从LLM获取无数据因果先验的原则性方法，可以补充下游数据驱动的因果发现。代码可在 https://anonymous.4open.science/r/Repo-9B3E-4F96 获取。
引用
@article{arxiv.2601.10137,
title = {Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation},
author = {Ziyi Ding and Chenfei Ye-Hao and Zheyuan Wang and Xiao-Ping Zhang},
journal= {arXiv preprint arXiv:2601.10137},
year = {2026}
}