論文の概要: Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting

• arxiv url: http://arxiv.org/abs/2606.10607v1
• Date: Tue, 09 Jun 2026 09:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.410123
• Title: Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
• Title（参考訳）: 因果アンサンブルエージェント:LLM誘導エキスパートリヘアリングによる階層的因果発見
• Authors: Xinyu Li, Yuanyuan Wang, Haoxuan Li, Chuan Zhou, Erdun Gao, Bo Han, Tongliang Liu, Kun Zhang, Howard Bondell, Mingming Gong,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 95.24017293537025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal discovery aims to uncover causal structures from observational data, which is crucial for real-world decision-making. However, different causal discovery algorithms can produce divergent results that conflict with each other, complicating the identification of accurate causal graphs. Traditional approaches rely on numerical values and statistical assumptions, often ignoring rich domain-specific information, such as feature descriptions, which could also help structure learning. While recent works explore using Large Language Models (LLMs) to infer causal relations via direct queries, such methods can be unreliable due to a lack of alignment with the actual data. To address these limitations, we propose Causal Ensemble Agent (CEA), a novel framework that aggregates structural insights from statistical discovery experts across different graph levels via linear opinion pooling, and uses an LLM as a meta-referee to dynamically reweight experts when the aggregated confidence is close to the decision boundary, thereby composing an improved and more complete causal graph. Extensive experiments on both synthetic and real-world datasets demonstrate that CEA achieves the strongest overall performance across a wide range of causal discovery methods, highlighting the effectiveness of using LLMs for meta-analysis in causal discovery.
• Abstract（参考訳）: 因果発見は、実世界の意思決定に不可欠である観測データから因果構造を明らかにすることを目的としている。 しかし、異なる因果探索アルゴリズムは互いに矛盾する分岐結果を生成し、正確な因果グラフの同定を複雑にする。 伝統的なアプローチは数値と統計的仮定に依存しており、しばしば特徴記述のようなリッチなドメイン固有情報を無視し、構造学習にも役立つ。 最近の研究では、LLM(Large Language Models)を用いて直接クエリを通して因果関係を推測しているが、実際のデータとの整合性が欠如しているため、そのような手法は信頼できない。 これらの制約に対処するため,線形意見プールを用いて,統計発見の専門家から異なるグラフレベルにまたがる構造的洞察を集約する新しいフレームワークであるCausal Ensemble Agent (CEA)を提案する。 人工的および実世界の両方のデータセットに対する大規模な実験により、CEAは幅広い因果発見手法において最も高い総合的なパフォーマンスを達成し、因果発見におけるメタ分析にLLMを使用することの有効性を強調した。

関連論文リスト

• TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
  因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。 本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
  論文  参考訳（メタデータ） (2026-05-29T11:05:43Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Learning to Defer for Causal Discovery with Imperfect Experts [59.071731337922664]
  L2D-CDは、専門家の推薦の正しさを測り、データ駆動因果発見結果と最適に組み合わせる手法である。 我々は,標準T"ubingenペアデータセット上でL2D-CDを評価し,因果探索法と分離に用いる専門家の双方と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-18T18:55:53Z)
• Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases [0.8192907805418583]
  大規模言語モデル(LLM)は、テキストベースのメタデータから因果的知識を抽出するための有望な代替手段として登場した。 LLMは信頼できない傾向があり、幻覚を起こす傾向があり、その限界を考慮に入れた戦略を必要とする。 本稿では,非循環型トーナメントのクラスを導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:37:51Z)
• ALCM: Autonomous LLM-Augmented Causal Discovery Framework [2.1470800327528843]
  我々は、データ駆動因果探索アルゴリズムと大規模言語モデルとを相乗化するために、ALCM(Autonomous LLM-Augmented Causal Discovery Framework)という新しいフレームワークを導入する。 ALCMは、因果構造学習(英語版)、因果ラッパー(英語版)、LLM駆動因果リファクター(英語版)の3つの統合的な構成要素から構成される。 我々は、よく知られた7つのデータセットに2つのデモを実装することで、ALCMフレームワークを評価する。
  論文  参考訳（メタデータ） (2024-05-02T21:27:45Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Integrating Large Language Model for Improved Causal Discovery [25.50313039584238]
  大規模言語モデル(LLM)は、様々なドメイン固有のシナリオの因果解析に使われてきた。 エラー耐性 LLM による因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-29T12:48:00Z)

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。