Fugu-MT 論文翻訳(概要): LLM-Augmented Causal Discovery: Probabilistic Fusion of Edge Existence and Orientation

論文の概要: LLM-Augmented Causal Discovery: Probabilistic Fusion of Edge Existence and Orientation

arxiv url: http://arxiv.org/abs/2608.27472v1
Date: Wed, 19 Aug 2026 09:14:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-06 19:38:41.440675
Title: LLM-Augmented Causal Discovery: Probabilistic Fusion of Edge Existence and Orientation
Title（参考訳）: LLMによる因果発見:エッジの存在と方向の確率論的融合
Abstract要約: 確率依存グラフ(PDG)と呼ばれる新しい表現を通して補完的な情報源を組み合わせることを提案する。 PDGでは、各エッジは、配向、非配向、欠落状態上の分布と関連付けられ、重み付け平均化による融合を可能にする。単純な50/50融合は、26のネットワークのうち22のソースだけでF1を改善するが、統計的に有意な平均的な改善は0.056$$(p$)である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bayesian network structure learning (BNSL) from observational data struggles with orientation identifiability, while large language models (LLMs) offer broad but often unreliable causal knowledge. We propose combining these complementary sources through a novel representation, termed Probabilistic Dependency Graphs (PDGs). In a PDG, each edge is associated with a distribution over directed, undirected, and absent states, enabling fusion via weighted averaging. We evaluate this approach on 26 benchmark networks, combining ensembles of three BNSL algorithms (FGES, Tabu, PC) with three LLMs (Gemini, Claude, GPT) across multiple prompts and random seeds. A simple 50/50 fusion improves F1 over the better of either source alone in 22 of 26 networks, with a statistically significant mean improvement of $0.056$ $(p<0.001)$. Analysis reveals that the two sources play complementary roles: BNSL contributes a high-recall edge skeleton (80\% vs 60\% for LLM), while LLM contributes accurate edge orientation (96\% vs 77\% for BNSL). Our results show that representing both sources as probabilistic uncertainty over edge existence and orientation is a practical and effective way to improve causal graph accuracy.
Abstract（参考訳）: 観測データからのベイズ的ネットワーク構造学習(BNSL)は向きの識別性に苦しむ一方、大きな言語モデル(LLM)は広く、しばしば信頼性の低い因果的知識を提供する。確率依存グラフ(PDG)と呼ばれる新しい表現を用いて,これらの相補的情報源を組み合わせることを提案する。 PDGでは、各エッジは、配向、無向および欠落状態上の分布に関連付けられ、重み付け平均化による融合を可能にする。この手法を26のベンチマークネットワーク上で評価し、3つのBNSLアルゴリズム(FGES, Tabu, PC)と3つのLLM(Gemini, Claude, GPT)のアンサンブルを複数のプロンプトとランダムなシードで組み合わせた。単純な50/50融合では、26のネットワークのうち22のネットワークのソースだけでF1を改善することができ、統計的に有意な平均的な改善は0.056$$(p<0.001)$である。 BNSLはハイリコールエッジ骨格(LLMでは80\%対60\%)に寄与し、LSMは正確なエッジ配向(BNSLでは96\%対77\%)に寄与している。以上の結果から,両情報源をエッジの存在と方向に対する確率的不確実性として表現することは,因果グラフの精度を向上させるための実用的かつ効果的な方法であることが示唆された。

関連論文リスト

ABSOL: Aggregated Bayesian Subsampling Orchestrated with LLMs [9.475016959358637]
大規模言語モデルは、構造化データに対する自然言語インタフェースとしてますます使われている。本稿では,LLMを境界セマンティックガイドとして使用するハイブリッドベイズネットワーク構造学習フレームワークであるABSOLを紹介する。言語由来のセマンティック知識は、スケーラブルな確率的構造学習を大幅に改善できることを示す。
論文参考訳（メタデータ） (2026-09-14T04:15:05Z)
Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。 GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
論文参考訳（メタデータ） (2026-06-04T05:43:12Z)
CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
論文参考訳（メタデータ） (2026-06-02T13:07:43Z)
Learning Structural Hardness for Combinatorial Auctions: Instance-Dependent Algorithm Selection via Graph Neural Networks [0.0]
オークションにおける勝者決定問題はNPハードである。既存の方法では、どのインスタンスが高速なグリーディを倒すかを確実に予測することはできません。近年の証拠は、グラフニューラルネットワーク(GNN)が、よく調整された古典的手法を上回ることは滅多にないことを示している。
論文参考訳（メタデータ） (2026-02-16T14:26:25Z)
Distributional Clarity: The Hidden Driver of RL-Friendliness in Large Language Models [50.99097734404912]
RLフレンドリなモデルでは, クラス内コンパクト性やクラス間分離が, 正誤応答に対する確率割当に現れることを示す。 6つの数学ベンチマークによる実験では、すべてのモデルファミリで一貫した改善が見られ、AIME24では5.9ポイントまで向上した。
論文参考訳（メタデータ） (2026-01-11T13:34:44Z)
CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
論文参考訳（メタデータ） (2025-11-01T04:37:01Z)
How to Train Your LLM Web Agent: A Statistical Diagnosis [96.86317871461834]
LLMウェブエージェントのポストトレーニングにおける計算割当に関する統計学的基礎研究について述べる。提案手法では,Llama 3.1 8Bの学生を対象に,教師付き微調整(SFT)とオンライン強化学習を用いて,Llama 3.3 70Bの教師を模倣する2段階のパイプラインを用いた。以上の結果から,SFTとオンラインRLの組み合わせは,WorkArenaとMiniWob++のいずれにおいても,単独でのアプローチよりも一貫して優れていた。
論文参考訳（メタデータ） (2025-07-05T17:12:33Z)
Evaluating the Use of LLMs for Documentation to Code Traceability [3.076436880934678]
大規模言語モデルは、様々なソフトウェアドキュメンテーションとソースコードの間のトレースリンクを確立することができる。私たちは2つのオープンソースプロジェクト(Unity CatalogとCrawl4AI)から2つの新しいデータセットを作成します。その結果、最高の性能のLLMは2つのデータセットで79.4%と80.4%のF1スコアを達成した。
論文参考訳（メタデータ） (2025-06-19T16:18:53Z)
Cool-Fusion: Fuse Large Language Models without Training [73.17551121242602]
Cool-Fusionは、トレーニングを必要としないソースLLMの知識を融合させる。さまざまなベンチマークデータセットで実験が行われた。 GSM8Kでは、Cool-Fusionは3つの強力なLLMからの精度を17.4%向上させた。
論文参考訳（メタデータ） (2024-07-29T09:02:19Z)
Optimizing Class-Level Probability Reweighting Coefficients for Equitable Prompting Accuracy [12.287692969438169]
LLMは、事前訓練されたデータの統計正則性からのバイアスをしばしば発見する。これは、分類とQAにおいて、永続的で不均一なクラス精度をもたらす。本研究では,非微分不可能な性能駆動メトリクスを直接最適化するポストホック確率再重み付け手法を開発した。
論文参考訳（メタデータ） (2024-05-13T10:30:33Z)
Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
論文参考訳（メタデータ） (2022-01-31T03:15:28Z)
Hybrid Bayesian network discovery with latent variables by scoring multiple interventions [5.994412766684843]
離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
論文参考訳（メタデータ） (2021-12-20T14:54:41Z)

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。