Fugu-MT 論文翻訳(概要): Large Causal Models from Large Language Models

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。

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

関連論文リスト