論文の概要: CauSim: Scaling Causal Reasoning with Increasingly Complex Causal Simulators

• arxiv url: http://arxiv.org/abs/2605.09079v1
• Date: Sat, 09 May 2026 17:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.059471
• Title: CauSim: Scaling Causal Reasoning with Increasingly Complex Causal Simulators
• Title（参考訳）: CauSim: 複雑化した因果シミュレーションによる因果推論のスケーリング
• Abstract要約: CauSimは、不十分なラベル問題から因果推論をスケーラブルな教師付きフレームワークに変換するフレームワークである。 CauSimは、実行不可能な因果的知識をコードに形式化し、データ拡張を可能にし、実行可能なSCMを自然言語に変換することで、表現を横断して動作する。
• 参考スコア（独自算出の注目度）: 50.047742814033654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite surpassing human performance across mathematics, coding, and other knowledge-intensive tasks, large language models (LLMs) continue to struggle with causal reasoning. A core obstacle is the target data itself: causal systems are complex and often expressed in non-executable forms, while ground-truth answers to causal queries are inherently scarce. We introduce CauSim, a framework that turns causal reasoning from a scarce-label problem into a scalable supervised one. CauSim constructs increasingly complex causal simulators: executable structural causal models (SCMs), incrementally built by LLMs, that scale to globally complex systems while maintaining verifiable answers to causal queries. CauSim operates across representations by formalizing non-executable causal knowledge into code, enabling data augmentation, and translating executable SCMs into natural language, enabling supervision in previously difficult-to-supervise representations. We structure our research into two parts: (1) how to construct increasingly complex causal simulators, and (2) a systematic study of what CauSim enables, demonstrating generalization across representations, consistent gains from curriculum scaling and data volume, LLM self-improvement through self-generated simulators, and data augmentation via formalization of existing domain knowledge.
• Abstract（参考訳）: 数学、コーディング、その他の知識集約的なタスクで人間のパフォーマンスを上回っているにもかかわらず、大きな言語モデル(LLM)は因果推論に苦しむ。 因果関係は複雑で、しばしば実行不可能な形で表現されるが、因果関係に対する基礎的真理的な答えは本質的には不十分である。 我々はCauSimというフレームワークを紹介します。これは、不足ラベル問題から因果推論をスケーラブルな教師付きフレームワークに変換するフレームワークです。 実行可能構造因果モデル(SCM)は、LLMによって漸進的に構築され、グローバルな複雑なシステムにスケールし、因果クエリに対する検証可能な回答を維持しながら、ますます複雑な因果シミュレータを構築している。 CauSimは、実行不可能な因果的知識をコードに形式化し、データ拡張を可能にし、実行可能SCMを自然言語に翻訳することで、以前は困難だった表現の監督を可能にする。 本研究では,(1)より複雑な因果シミュレータの構築方法,(2)CauSimによる表現の一般化,カリキュラムのスケーリングとデータボリュームによる一貫したゲイン,自己生成シミュレータによるLLM自己改善,および既存のドメイン知識の形式化によるデータ拡張,の2つの部分からなる。

関連論文リスト

• CAMA: Enhancing Mathematical Reasoning in Large Language Models with Causal Knowledge [14.367146529900609]
  大規模言語モデル(LLM)は、幅広いタスクにわたって強力なパフォーマンスを示してきたが、複雑な数学的推論に苦戦している。 我々は,LLMに明示的で再利用可能な数学的構造を持たせる2段階の因果関係フレームワークであるtextbfCAusal textbfMAthematician (textbfCAMA) を提案する。
  論文  参考訳（メタデータ） (2025-08-04T16:39:24Z)
• Computational Thinking Reasoning in Large Language Models [69.28428524878885]
  計算思考モデル(CTM)は、計算思考パラダイムを大規模言語モデル(LLM)に組み込んだ新しいフレームワークである。 ライブコード実行は推論プロセスにシームレスに統合され、CTMが計算によって考えることができる。 CTMは、精度、解釈可能性、一般化可能性の観点から、従来の推論モデルとツール拡張ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-03T09:11:15Z)
• Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds [9.153187514369849]
  因果世界モデルは、関心のある環境に関する反現実的な疑問に答えることができる。 事象の連鎖の背後にある根本原因を理解し、未知の分布に対する因果推論を行う必要がある。 提案手法は推論コストと素早い相関を低減しつつ因果知識を抽出できることを示す。
  論文  参考訳（メタデータ） (2025-05-20T14:14:05Z)
• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
  因果表現学習を大規模言語モデルと統合する枠組みを提案する。 このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。 本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:36:37Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)

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。