论文页面 - 智能体时代的因果发现

来源：https://huggingface.co/papers/2606.23608

摘要

语言模型应通过提供上下文支持和解释来辅助因果发现工作流，而非直接生成因果结论——这一点已通过一个集成数据分析与专家知识的平台得到验证。

近期尝试将大语言模型 (https://huggingface.co/papers?q=large%20language%20models)（LLMs）与因果发现 (https://huggingface.co/papers?q=causal%20discovery) 结合，要求模型推断成对方向、提出图结构，或将语言模型输出作为先验与约束注入。这些方法有望加快分析，但也模糊了因果证据究竟是得到数据与假设支持，还是源自文本关联、提示伪影和幻觉机制。

我们主张智能体在因果发现 (https://huggingface.co/papers?q=causal%20discovery) 中应扮演不同角色：智能体应检查数据、检索上下文、解释方法假设并阐明图输出，但不应提供边、方向、先验、约束或因果结论。我们提出原则：智能体辅助工作流，而因果主张 (https://huggingface.co/papers?q=causal%20claims) 仍应基于数据、明确假设、形式化算法 (https://huggingface.co/papers?q=formal%20algorithms)、诊断以及用户或领域专家的决策。

我们将这一原则实例化为 causal-learn (https://huggingface.co/papers?q=causal-learn)+，这是一个在线平台，围绕 causal-learn (https://huggingface.co/papers?q=causal-learn) 算法生态系统协调数据分析 (https://huggingface.co/papers?q=data%20analysis)、预处理、方法推荐、专家知识融合 (https://huggingface.co/papers?q=expert-knowledge%20incorporation)、形式化发现与解释。基于大五人格数据的案例研究展示了智能体辅助的因果发现 (https://huggingface.co/papers?q=causal%20discovery) 流水线，同时避免将语言模型的不确定性转化为因果证据。

该平台可在 causallearn.com 访问。

查看 arXiv 页面 (https://arxiv.org/abs/2606.23608) 查看 PDF (https://arxiv.org/pdf/2606.23608) 项目页面 (https://causallearn.com/) GitHub 1.64k (https://github.com/py-why/causal-learn) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.23608)

在您的智能体中获取这篇论文：

hf papers read 2606\.23608

没有最新 CLI？ curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.23608 即可从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.23608 即可从本页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.23608 即可从本页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将这篇论文添加到收藏集 (https://huggingface.co/new-collection) 即可从本页面链接。