PulseAugur
中
实时 16:11:24
English(EN) Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction

新框架增强了LLM生成推理图的可审计性

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新的研究论文介绍了一个用于提高大型语言模型（LLM）生成的推理图的可审计性和可靠性的框架。第一个框架PEARL，通过使用闭合的皮尔士模式和裁判反馈来纠正语法、边标签和根方向，专注于将嘈杂的LLM输出修复为可审计的推理图。第二个框架Causal-Audit，提出了一种用于问答的显式、基于图的因果推理框架，该框架构建目标感知的因果链并聚合来自多条路径的证据，以确保可解释性和鲁棒性。这两种方法都旨在为AI科学家工作流程提供可检查的推理痕迹。 AI

影响 这些框架旨在提高LLM推理的可解释性和可靠性，这对于科学研究和AI代理工作流程至关重要。

排序理由 arXiv上发表的两篇学术论文，介绍了用于LLM中推理图提取和因果推理的新框架。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架增强了LLM生成推理图的可审计性

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Bohan Su, Pengze Li, Yuchen Lu, Xi Chen ·

    PEARL：科学推理图谱提取的可审计修复

    arXiv:2607.17917v1 Announce Type: new Abstract: Scientific Reasoning Graph Extraction (SRGE) aims to recover explicit links among observations, evidence, intermediate claims, and paper-level conclusions. LLMs can produce graph-like scientific explanations, but their outputs often…

  2. arXiv cs.AI TIER_1 English(EN) · Su Lan, Xuefei Yin, Yanming Zhu, Alan Wee-Chung Liew ·

    Causal-Audit：通过目标感知因果链构建实现显式和可审计的基于图的推理

    arXiv:2607.15281v1 Announce Type: new Abstract: Causal and intervention-based question answering is fundamental to advancing large language models (LLMs) toward reasoning beyond surface-level correlations and understanding underlying causal mechanisms. However, existing LLM-based…

相关实体

相关话题