技术报告：通过LLM赋能的因果推断方法采用来之助
机器学习
2025-08-15 v1
摘要
从观察数据估计处理效应（TE）是许多领域（如医疗、经济学和公共政策）中的关键且复杂任务。尽管近期机器学习和因果推断的进展产生了强大的估计技术，但其采用来仍受限于对因果假设、调整策略和模型选择的深厚专业知识需求。本文引入CATE-B，一个开源的伴导系统，该系统在agentic框架中使用大语言模型（LLM）来指导用户完成处理效应估计的整个过程。CATE-B协助（i）通过因果发现和LLM-based边缘定向构建结构性因果模型，（ii）通过一种新颖的最小不确定性调整集准则识别稳健的调整集，（iii）选择适合因果结构和数据集特征的合适回归方法。为鼓励可重复性和评估，我们发布了一个跨越多样领域和因果复杂性的基准任务套件。通过将因果推断与智能、交互式协助相结合，CATE-B降低了严格因果分析的门槛，并为自动化处理效应估计中的新型基准奠定了基础。
引用
@article{arxiv.2508.10581,
title = {Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot},
author = {Jeroen Berrevoets and Julianna Piskorz and Robert Davis and Harry Amad and Jim Weatherall and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2508.10581},
year = {2025}
}