論文の概要: Large Causal Models from Large Language Models

• arxiv url: http://arxiv.org/abs/2512.07796v1
• Date: Mon, 08 Dec 2025 18:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.999935
• Title: Large Causal Models from Large Language Models
• Title（参考訳）: 大規模言語モデルからの大規模因果モデル
• Authors: Sridhar Mahadevan,
• Abstract要約: 大規模因果モデル(LCM)を構築するための新しいパラダイムを導入し、今日の大規模言語モデル(LLM)における潜在的潜在能力を活用する。 我々は,LCMの構築,編成,可視化を目的とした,DEMOCRITUSと呼ばれる実装システムによる進行中の実験について述べる。 考古学,生物学,気候変動,経済学,医学,技術など,幅広い領域でDEMOCRITUSを使用した結果について述べる。
• 参考スコア（独自算出の注目度）: 1.3295383263113112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new paradigm for building large causal models (LCMs) that exploits the enormous potential latent in today's large language models (LLMs). We describe our ongoing experiments with an implemented system called DEMOCRITUS (Decentralized Extraction of Manifold Ontologies of Causal Relations Integrating Topos Universal Slices) aimed at building, organizing, and visualizing LCMs that span disparate domains extracted from carefully targeted textual queries to LLMs. DEMOCRITUS is methodologically distinct from traditional narrow domain and hypothesis centered causal inference that builds causal models from experiments that produce numerical data. A high-quality LLM is used to propose topics, generate causal questions, and extract plausible causal statements from a diverse range of domains. The technical challenge is then to take these isolated, fragmented, potentially ambiguous and possibly conflicting causal claims, and weave them into a coherent whole, converting them into relational causal triples and embedding them into a LCM. Addressing this technical challenge required inventing new categorical machine learning methods, which we can only briefly summarize in this paper, as it is focused more on the systems side of building DEMOCRITUS. We describe the implementation pipeline for DEMOCRITUS comprising of six modules, examine its computational cost profile to determine where the current bottlenecks in scaling the system to larger models. We describe the results of using DEMOCRITUS over a wide range of domains, spanning archaeology, biology, climate change, economics, medicine and technology. We discuss the limitations of the current DEMOCRITUS system, and outline directions for extending its capabilities.
• Abstract（参考訳）: 大規模因果モデル (LCM) を構築するための新しいパラダイムを導入し, 大規模因果モデル (LLM) の潜在的な潜在能力を活用する。 我々は,DeMOCRITUS (Decentralized extract of Manifold Ontology of Causal Relations Integrating Topos Universal Slices) と呼ばれる実装システムによる実験を行った。 DEMOCRITUSは、数値データを生成する実験から因果モデルを構築する、伝統的な狭義の領域と仮説中心の因果推論とを方法論的に区別している。 高品質なLLMは、トピックを提案し、因果質問を生成し、様々な領域から多彩な因果文を抽出するために用いられる。 技術的課題は、これらの分離され、断片化され、おそらく曖昧で、おそらく矛盾する因果関係のクレームを織り込み、それらを関係因果関係のトリプルに変換し、それらをLCMに埋め込むことである。 この技術的課題に対処するには、DeMOCRITUS構築のシステム側に重点を置いているため、この論文で簡単に要約できるような、新しい分類機械学習手法を考案する必要がある。 本稿では,6つのモジュールからなるDEMOCRITUSの実装パイプラインについて述べる。 考古学,生物学,気候変動,経済学,医学,技術など,幅広い領域でDEMOCRITUSを使用した結果について述べる。 我々は,現在のDEMOCRITUSシステムの限界について論じ,その機能拡張に向けた方向性を概説する。

関連論文リスト

• Top 10 Open Challenges Steering the Future of Diffusion Language Model and Its Variants [85.33837131101342]
  本稿では,基盤基盤,アルゴリズム最適化,認知推論,統合マルチモーダルインテリジェンスという4つの柱で構成された戦略ロードマップを提案する。 この移行は、複雑な構造的推論、動的自己補正、シームレスなマルチモーダル統合が可能な次世代AIの開発に不可欠である、と我々は主張する。
  論文  参考訳（メタデータ） (2026-01-20T14:58:23Z)
• Revealing Multimodal Causality with Large Language Models [80.95511545591107]
  非構造化データからマルチモーダル因果発見のための新しいフレームワークであるMLLM-CDを提案する。 本研究は,(1)真のマルチモーダル因子を同定する新しいコントラッシブ・ファクター発見モジュール,(2)発見要因間の因果関係を推測する統計的因果構造発見モジュール,(3)発見結果を洗練するための反復的マルチモーダル・カウンターファクト・推論モジュールの3つの重要な構成要素から構成される。 合成と実世界の両方のデータセットに対する大規模な実験は、提案したMLLM-CDの有効性を実証している。
  論文  参考訳（メタデータ） (2025-09-22T13:45:17Z)
• Causal MAS: A Survey of Large Language Model Architectures for Discovery and Effect Estimation [5.062951330356307]
  大規模言語モデル(LLM)は、様々な推論や生成タスクにおいて顕著な機能を示した。 複雑な因果推論、発見、推定における彼らの能力は、現在も活発な発展の領域である。 複数のLDMエージェントの協調的あるいは専門的な能力を活用するマルチエージェントシステムは、これらの制限に対処するための強力なパラダイムとして浮上している。
  論文  参考訳（メタデータ） (2025-08-31T20:48:31Z)
• Discrete Diffusion in Large Language and Multimodal Models: A Survey [61.86669998363359]
  離散拡散言語モデル(dLLMs)と離散拡散多モード言語モデル(dMLLMs)の体系的調査を行う。 自己回帰(AR)モデルとは異なり、dLLMsとdMLLMsはマルチトークンの並列デコーディングパラダイムを採用しており、フルアテンションとデノナイジングに基づく生成戦略を採用している。 我々は、dLLMとdMLLMの歴史的発展を辿り、基礎となる数学的枠組みを定式化し、一般的なモデリング手法を列挙し、代表モデルを分類する。
  論文  参考訳（メタデータ） (2025-06-16T17:59:08Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• Multi-step Inference over Unstructured Data [2.169874047093392]
  医療、法律、金融などの分野における高い意思決定タスクは、精度、包括性、論理的一貫性のレベルを必要とする。 これらの問題に対処するための,ニューロシンボリックAIプラットフォームを開発した。 このプラットフォームは、知識抽出とアライメントのための微調整LDMと、堅牢なシンボリック推論エンジンを統合している。
  論文  参考訳（メタデータ） (2024-06-26T00:00:45Z)
• Large Language Models for Causal Discovery: Current Landscape and Future Directions [5.540272236593385]
  因果発見(CD)とLarge Language Models(LLM)は、人工知能のトランスフォーメーション分野として登場した。 本研究は, テキストからの因果的抽出, ドメイン知識の統計的手法への統合, 因果的構造の改良の3つの重要な側面において, LLMがCDをどう変えるかを検討する。
  論文  参考訳（メタデータ） (2024-02-16T20:48:53Z)
• Recent Advances in Hate Speech Moderation: Multimodality and the Role of Large Models [52.24001776263608]
  この包括的調査は、HSモデレーションの最近の歩みを掘り下げている。 大型言語モデル(LLM)と大規模マルチモーダルモデル(LMM)の急成長する役割を強調した。 研究における既存のギャップを、特に表現不足言語や文化の文脈で特定する。
  論文  参考訳（メタデータ） (2024-01-30T03:51:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。