基于多智能体协作的可追溯潜变量发现
机器学习
2026-02-17 v1
摘要
揭示真实世界中潜在因果机制是科学与技术进步的关键。尽管近些年在因果发现算法方面取得了显著进展，但传统因果发现方法依赖的“无潜变量混杂假设”以及对潜变量精确语义的忽视，长期以来一直是其更广泛应用的主要障碍。为此，我们提出一种新型因果建模框架TLVD（Traceable Latent Variable Discovery），它将大型语言模型（LLM）基于元数据的推理能力与传统因果发现算法的数据驱动建模能力相结合，以推断潜变量及其语义。具体而言，我们首先采用数据驱动方法构建包含潜变量的因果图。随后，我们将多LLM协作用于潜变量推断，将该过程建模为信息不完全的博弈，寻求其贝叶斯纳什均衡（BNE）以推断可能的具体潜变量。最后，为了在多个真实世界基于Web的数据源中验证所推断的潜变量，我们利用LLM进行证据探索，以确保可追溯性。我们在三个去标识化的真实患者数据集以及两个基准数据集上进行了全面评估。广泛的实验结果确认了TLVD的有效性与可靠性，在五个数据集中的Acc平均提升32.67%，CAcc提升62.21%，ECit提升26.72%。
引用
@article{arxiv.2602.14456,
title = {Traceable Latent Variable Discovery Based on Multi-Agent Collaboration},
author = {Huaming Du and Tao Hu and Yijie Huang and Yu Zhao and Guisong Liu and Tao Gu and Gang Kou and Carl Yang},
journal= {arXiv preprint arXiv:2602.14456},
year = {2026}
}