研究人员开发了 MaSCoD，一个新颖的多智能体框架，旨在通过明确解决相关因果关系遗漏问题来改进因果图生成。该框架在直接边判断前组织候选第三方变量和局部结构模式，并利用 GPT-5.4 和 GPT-4o 等 LLM 进行操作。在 Auto-MPG、DWD 和 Sachs 等数据集上的评估表明，MaSCoD 的性能取决于数据集和所使用的特定 LLM 主干，而不是提供普遍的优越性。研究表明，预先组织结构信息可以成为控制因果发现中遗漏的宝贵设计目标。 AI
影响 该框架可以通过更好地处理遗漏变量来提高复杂系统中因果发现的准确性和完整性。
排序理由 该集群包含一篇详细介绍新的因果图生成框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.19944v1 Announce Type: new Abstract: Large language models (LLMs) have been applied to causal discovery, but candidate-graph generation rarely treats premature omission of potentially relevant causal relations as an explicit design objective. We propose MaSCoD, a multi…
Large language models (LLMs) have been applied to causal discovery, but candidate-graph generation rarely treats premature omission of potentially relevant causal relations as an explicit design objective. We propose MaSCoD, a multi-agent framework that organizes candidate third …