实体
Corr2Cause
Corr2Cause
PulseAugur coverage of Corr2Cause — every cluster mentioning Corr2Cause across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新方法通过外部化CPDAG摘要提升LLM因果推理能力
研究人员开发了一种名为结构化思考（Structured Thinking）的新方法，以提高大型语言模型（LLM）的因果推理能力。这个两轮流水线首先外部化因果概率图模型（CPDAG）的摘要，然后利用这个结构化图来回答因果查询。实验表明，与基线方法相比，该方法在Corr2Cause基准测试中显著提升了Qwen3.5-27B和GPT 5.4 Mini等模型的性能，F1分数提高了13个百分点以上。研究表明，外部化和约束潜在对象的表示对于增强L…
-
新研究：大型语言模型在因果发现方面存在根本性缺陷
一篇新论文认为，由于其训练范式的固有局限性，大型语言模型（LLMs）在可靠的因果发现方面存在根本性的不足。研究人员已证明，监督微调和直接偏好优化等方法训练出的模型无法区分生成相似观测数据的因果图。为克服这一问题，该论文提出了一种“智能体式因果贝叶斯优化”（A-CBO）方法，该方法使用一个冻结的LLM作为干预式神谕，并通过外部贝叶斯循环将信念集中在候选图上，从而在不重新训练LLM的情况下实现可证明的收敛。