研究论文
LLM 辅助因果发现：提出概率依赖图融合新表示
研究提出「概率依赖图」，把贝叶斯网络结构学习与 LLM 因果知识以概率形式融合，在 26 个基准上取得统计显著的 F1…
2026.08.31 · 周一约 2 分钟阅读
背景与动机
从观测数据中学习贝叶斯网络结构（BNSL）长期面临边方向不可识别的问题，而大语言模型（LLM）虽携带广泛的因果知识，却常常不可靠。来自 arXiv 的最新论文《LLM-Augmented Causal Discovery: Probabilistic Fusion of Edge Existence and Orientation》尝试把这两类互补信号结合起来，以提升因果图重建质量。
方法：概率依赖图
作者提出一种新的概率表示，称为 Probabilistic Dependency Graphs（PDG）。在 PDG 中，每条边对应一个关于「有向、无向、不存在」三类状态的分布，从而支持两类信号通过加权平均进行融合。具体的工程实现上，研究者把三种传统 BNSL 算法（FGES、Tabu、PC）与三种主流 LLM（Gemini、Claude、GPT）组合，并在多种 prompt 与随机种子下取整体表现。
实验结果
研究在 26 个基准网络上进行了系统评测，几个关键数字值得注意：
- 在 22 / 26 的网络上，简单的 50 / 50 融合策略即带来 F1 相对于两类信号中「更优者」的进一步提升；
- 平均 F1 提升为 0.056，统计显著性达到 p < 0.001；
- 两个来源呈现明确互补：BNSL 提供高召回的边骨架（80% vs LLM 的 60%），而 LLM 提供更准确的边方向（96% vs BNSL 的 77%）。
意义与启示
论文的核心结论是：把 BNSL 和 LLM 都表示为「边存在与方向上的概率不确定性」，是一种既实用又有效提升因果图准确率的方式。该工作一方面印证了 LLM 作为先验知识源的可用性，另一方面也提醒业界——传统结构学习在高召回上的优势仍不可替代。后续研究可以探索更精细的融合权重、prompt 设计，以及在更大规模、含噪声真实数据上的表现。