摘要
大型语言模型（LLMs）的发展迅速，其推理能力已成为热门研究课题。然而，关于溯因推理的探索仍然有限。
多视角和多层次的因果关系是溯因推理的核心挑战之一，现有方法难以有效解决。为此，我们构建了一个名为 DeepAbduction 的专用数据集，旨在追踪污染和疾病的成因，填补该领域数据集的空白。
我们提出了逆向前向溯因推理（IFAR）框架，专为 LLMs 的多视角和多层次溯因推理而设计。IFAR 采用零样本学习，并结合了广义的逆向推理与逐关系的前向验证。实验结果表明，IFAR 在主流 LLMs 下的 F1 分数比其他方法提高了约 40%，同时保持了召回率和精确率的平衡。
此外，IFAR 提升了非推理型 LLMs 的性能，使其超越经过推理训练的 LLMs，并在应用于后者时仍然有效。代码将在我们的工作被接受后发布。
博主点评： IFAR 框架的提出为解决因果推理中的关键挑战提供了新的思路，尤其是在数据集构建和推理能力提升方面的贡献值得关注。未来的研究可以进一步探索其在其他领域的应用潜力。