論文の概要: Implicit Causal Graph Construction in Text via Chain Discovery

• arxiv url: http://arxiv.org/abs/2606.07525v1
• Date: Mon, 20 Apr 2026 07:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.675441
• Title: Implicit Causal Graph Construction in Text via Chain Discovery
• Title（参考訳）: 連鎖探索によるテキストの因果グラフ構築
• Authors: Liesbeth Allein, Marie-Francine Moens,
• Abstract要約: そこで本研究では,テキストからの陰影因果グラフ構築について,各説明された因果関係のペアを下位の因果グラフの始点および終点として扱うことにより検討する。 エンドツーエンドのグラフ構築とタスクを因果連鎖発見とみなす手法を比較した。 本研究では,これらの手法のトレードオフを分析し,科学的に検証された1,560個の因果関係を手作業で収集したデータベースを用いて推定因果関係の有効性を評価する。
• 参考スコア（独自算出の注目度）: 27.889485407012547
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Causal graphs in text are typically populated by observable, predefined events. In contrast, we study implicit causal graph construction from text by treating each described cause-effect pair as the begin- and endpoint of an underlying latent causal graph and using large language models (LLMs) to infer intermediate causal events. We compare end-to-end graph construction with methods that frame the task as causal chain discovery. In the latter, graphs are built either by aggregating inferred chains or by progressively expanding partial chains through an iterative search process. We further explore Wisdom of the Crowd extensions that access causal knowledge from multiple LLMs in post-hoc aggregation and collaborative inference settings. We analyze trade-offs among these approaches and evaluate the validity of inferred causal relations using a manually curated database of 1,560 scientifically validated causal pairs. This database-based evaluation is proposed as reliable, resource-efficient, and transferable to settings where ground-truth graphs are unavailable.
• Abstract（参考訳）: テキストの因果グラフは通常、観測可能で事前定義されたイベントに集約される。 これとは対照的に,各記述された因果関係のペアを下位の潜伏因果関係グラフの始点および終点として扱い,中間因果関係を推測するために大規模言語モデル(LLM)を用いてテキストから暗黙的な因果関係グラフを構築する。 エンドツーエンドのグラフ構築とタスクを因果連鎖発見とみなす手法を比較した。 後者では、グラフは推論された連鎖を集約するか、反復的な探索プロセスを通じて部分鎖を徐々に拡張することによって構築される。 さらに、ポストホックアグリゲーションや協調推論設定において、複数のLLMから因果知識にアクセス可能な、クラウド拡張のWisdomについても検討する。 我々はこれらの手法のトレードオフを分析し, 科学的に検証された1,560個の因果関係のデータベースを用いて, 推論因果関係の妥当性を評価する。 このデータベースに基づく評価は、信頼性が高く、リソース効率が高く、地上のグラフが利用できない設定に転送可能である。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Generating Logically Consistent Synthetic Supply Chain Data with LLM-Driven Knowledge Graph Reasoning [51.78065387034195]
  本稿では,論理的に一貫した合成サプライチェーンデータ生成のための知識グラフ誘導フレームワークであるtextbftextitTabKGを紹介する。
  論文  参考訳（メタデータ） (2026-05-26T10:41:37Z)
• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• GraphRAG-Causal: A novel graph-augmented framework for causal reasoning and annotation in news [0.48379436447082086]
  GraphRAG-Causalは、グラフベースの検索と大きな言語モデルを組み合わせることで、ニュース分析における因果推論を強化する。 因果分類のF1スコアは82.1%で、わずか20の例で達成されている。 このアプローチは精度と一貫性を大幅に向上させ、ニュース信頼性評価、誤情報検出、ポリシー分析におけるリアルタイムアプリケーションに非常に適している。
  論文  参考訳（メタデータ） (2025-06-13T09:09:08Z)
• Causal Graph based Event Reasoning using Semantic Relation Experts [56.328115024900725]
  本稿では,大規模言語モデル(LLM)が推論中の因果関係を明確に表現するための並列メカニズムとして,因果事象グラフの生成について検討する。 LLMを用いて特定の意味関係に着目した専門家をシミュレートする因果グラフ生成のための協調的アプローチを提案する。 また、説明にイベントの因果連鎖を必要とする、説明可能なイベント予測タスクも導入する。
  論文  参考訳（メタデータ） (2025-06-07T20:15:45Z)
• CausalGraph2LLM: Evaluating LLMs for Causal Queries [49.337170619608145]
  CausalGraph2LLMは、さまざまな因果グラフ設定にまたがる700万以上のクエリからなるベンチマークである。 この領域ではLSMは有望であるが, 使用するエンコーディングに非常に敏感であることがわかった。
  論文  参考訳（メタデータ） (2024-10-21T12:12:21Z)
• CausalLP: Learning causal relations with weighted knowledge graph link prediction [5.3454230926797734]
  CausalLPは知識グラフ補完問題として不完全因果ネットワークの問題を定式化している。 因果関係を表す知識グラフを使うことで、外部のドメイン知識の統合が可能になる。 CausalLPでは、因果的説明と因果的予測という2つの主要なタスクがサポートされている。
  論文  参考訳（メタデータ） (2024-04-23T20:50:06Z)
• Constructing and Interpreting Causal Knowledge Graphs from News [3.3071569417370745]
  多くの金融職は、過去と現在における因果関係について学ぶためにニュースに頼り、将来についての情報的な決定と予測を行う。 本稿では,(1)因果関係の抽出,(2)論点クラスタリングと表現のKGへの変換という2つのステップを用いて,ニュースから因果知識グラフ(KG)を構築する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T11:33:32Z)

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。