論文の概要: Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction
- arxiv url: http://arxiv.org/abs/2607.15281v1
- Date: Wed, 22 Apr 2026 23:24:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.015529
- Title: Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction
- Title（参考訳）: Causal-Audit:ターゲット認識型Causal Chain構築による明示的および聴覚的グラフベース推論
- Abstract要約: 因果的および介入に基づく質問応答は、大規模言語モデルの進化に不可欠である。
文脈自由な介入に基づく質問応答のための明示的で監査可能な因果推論フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.96995835279229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal and intervention-based question answering is fundamental to advancing large language models (LLMs) toward reasoning beyond surface-level correlations and understanding underlying causal mechanisms. However, existing LLM-based methods often rely on implicit language-level reasoning, resulting in opaque causal assumptions, unverifiable reasoning paths, and fragile predictions under complex interventions, particularly in context-free settings. In this paper, we propose an explicit and auditable causal reasoning framework for context-free intervention-based question answering. Our method formulates causal inference as structured reasoning over an explicit causal graph through four modular stages, rather than implicit end-to-end prediction. A key innovation is a target-aware causal graph construction strategy that treats the target variable as a core constraint during graph expansion, effectively suppressing irrelevant variables, spurious causal relations, and reasoning noise. We further introduce a path-level causal evidence aggregation mechanism that combines multiple causal paths while modeling both reinforcing and counteracting effects, enabling robust decision-making beyond single-chain reasoning. Extensive experiments on three benchmarks demonstrate that our framework consistently outperforms existing LLM-based methods while providing interpretable and auditable causal reasoning traces.
- Abstract（参考訳）: 因果的および介入的質問応答は、表面レベルの相関を超えた推論と根底にある因果的メカニズムを理解するために、大規模言語モデル(LLM)を進化させる基本となる。
しかし、既存のLCMベースの手法は暗黙の言語レベルの推論に頼り、不透明な因果推定、検証不可能な推論経路、複雑な介入の下での脆弱な予測、特に文脈自由な環境においてである。
本稿では,文脈自由な介入に基づく質問応答のための明示的で監査可能な因果推論フレームワークを提案する。
本手法は, 因果推論を, 暗黙の終末予測ではなく, 明示的な因果グラフ上の構造的推論として定式化する。
重要な革新は、ターゲット変数をグラフ拡張時にコア制約として扱い、無関係な変数、急激な因果関係、および推論ノイズを効果的に抑制するターゲット対応因果グラフ構築戦略である。
さらに、複数の因果経路を組み合わせた経路レベルの因果証拠収集機構を導入し、強化効果と対策効果の両方をモデル化し、単一鎖推論以上の堅牢な意思決定を可能にする。
3つのベンチマークの大規模な実験により、我々のフレームワークは、解釈可能かつ監査可能な因果推論トレースを提供しながら、既存のLCM法よりも一貫して優れていることが示された。
関連論文リスト
- Causal Scaffolding for Physical Reasoning: A Benchmark for Causally-Informed Physical World Understanding in VLMs [49.55219052565761]
CausalPhysは、知覚、予測、介入、目標指向という4つの領域にまたがる、ビデオと画像に基づく3000以上の慎重にキュレートされた質問のベンチマークである。
各質問は、専門家がアノテートした因果グラフがオブジェクト・属性・イベントの依存関係をキャプチャし、因果理解の解釈可能かつきめ細かい評価を可能にする。
これに基づいて、モデルの連鎖推論が正しい因果関係とどの程度うまく一致しているかを定量的に測定する因果グラフ基底計量を定式化する。
本稿では,CRFT(Causal Rationale-informed Fine-Tuning)を提案する。
論文 参考訳（メタデータ） (2026-06-04T10:07:05Z) - NoisyCausal: A Benchmark for Evaluating Causal Reasoning Under Structured Noise [33.130357221784166]
自然言語の因果推論には、関連する変数を特定し、それらの相互作用を理解し、効果や介入について推論する必要がある。
構造雑音下での因果推論を評価するための新しいベンチマークであるNoisyCausalを紹介する。
これらの課題に対処するために,LLMと明示的な因果構造を組み合わせたモジュラー推論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-05T21:26:01Z) - LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。
提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-03-12T02:14:16Z) - Learning Structured Reasoning via Tractable Trajectory Control [99.75278337895024]
Ctrl-Rは、トラクタブルな軌道制御を通じて構造化推論を学ぶためのフレームワークである。
Ctrl-Rは,従来達成できなかった推論パターンを効果的に探索し,内部化することができることを示す。
論文 参考訳（メタデータ） (2026-03-02T09:18:19Z) - CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。
CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。
回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
論文 参考訳（メタデータ） (2026-02-23T18:06:15Z) - Interpreting and Controlling LLM Reasoning through Integrated Policy Gradient [27.26870804635122]
大規模言語モデル(LLM)は、複雑な現実世界の問題を解く上で強力な推論能力を示す。
複雑な推論行動を引き起こす 内部メカニズムは いまだ不透明です
モデルの内部コンポーネントに推論の振る舞いを属性付ける新しいフレームワークである統合ポリシーグラディエント(IPG)を提案する。
論文 参考訳（メタデータ） (2026-02-02T16:43:09Z) - Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。
最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。
本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
論文 参考訳（メタデータ） (2025-09-02T14:16:02Z) - The Curse of CoT: On the Limitations of Chain-of-Thought in In-Context Learning [56.574829311863446]
CoT(Chain-of-Thought)プロンプトは,大規模言語モデル(LLM)における推論能力の向上によって広く認識されている。
我々は、CoTとその推論変異が、様々なモデルスケールやベンチマークの複雑さに対して、直接応答を一貫して過小評価していることを実証する。
パターンベースICLにおけるCoTの性能を駆動する明示的単純推論の基本的なハイブリッド機構を明らかにする。
論文 参考訳（メタデータ） (2025-04-07T13:51:06Z) - 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) - Cause and Effect: Can Large Language Models Truly Understand Causality? [1.2334534968968969]
本研究では,CARE CA(Content Aware Reasoning Enhancement with Counterfactual Analysis)フレームワークという新しいアーキテクチャを提案する。
提案するフレームワークには,ConceptNetと反ファクト文を備えた明示的な因果検出モジュールと,大規模言語モデルによる暗黙的な因果検出が組み込まれている。
ConceptNetの知識は、因果的発見、因果的識別、反事実的推論といった複数の因果的推論タスクのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-02-28T08:02:14Z)
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。