Компьютерные науки > Машинное обучение [представлено 2 июня 2026 (v1), последнее пересмотренное 16 октября 2026 года (эта версия, v2)) Название: CauTion: Знание о том, когда довериться МЛМ для эссембл-каузал-дискавери Ви PDF HTML (экспериментальное) резюме: Каузальные открытия данных наблюдений остаются проблематичными в силу фундаментальных ограничений чисто статистических методов, таких как статистическое различие между классами эквивалентности и чувствительность к конечным размерам выборки. В то время как крупные языковые модели (МЛМ) являются многообещающим источником знаний о домене, дополняющим статистические выводы, существующие усовершенствованные методы УУЗР уязвимы для ошибок на МВУ и сопряжены с высокими символическими издержками. Кроме того, опора на единый алгоритм, ориентированный на конкретные данные, может сделать результаты чувствительными к ошибкам в отношении конкретных алгориев. Для устранения этих ограничений мы предлагаем систему CauTion, которая надежно интегрировала знания домена LLM в набор статистических алгоритмов обнаружения причинно-следственных связей на основе консенсусного фильтрации и оценки надежности LLD. "Каутион" уходит в три этапа. Во-первых, алгоритм используется для достижения консенсуса при голосовании до 96% краев, по которым с этим согласны алмазы, что позволяет достичь почти идеальной точности на отфильтрованных консенсусных краях. Во-вторых, механизм арбитражного разбирательства с ретроспективной калибровкой позволяет оценить…
Каутион: Знать, когда доверять МЛМ для энсембл каузального открытия
arXiv: 2606.03602v2 Вид уведомления: заменить перекрестное резюме: обнаружение причинных данных наблюдений по-прежнему сопряжено с трудностями в силу основополагающих ограничений чисто статистических методов, таких как статистическое различие между классами эквивалентности и чувствительность к конечным размерам выборки. В то время как крупные языковые модели (МЛМ) являются многообещающим источником знаний о домене, дополняющим статистические выводы, существующие усовершенствованные методы УУЗР уязвимы для ошибок на МВУ и сопряжены с высокими символическими издержками. Кроме того, опора на единый алгоритм, ориентированный на конкретные данные, может сделать результаты чувствительными к ошибкам в отношении конкретных алгориев. Для устранения этих ограничений мы предлагаем систему CauTion, которая надежно интегрировала знания домена LLM в набор статистических алгоритмов обнаружения причинно-следственных связей на основе консенсусного фильтрации и оценки надежности LLD. "Каутион" уходит в три этапа. Во-первых, алгоритм ансамбля использует консенсусное голосование для урегулирования до 96% краев, по которым алгории согласны, и достижения почти пикового уровня
