摘要
因果和干预基础的问答系统是推动大型语言模型（LLMs）向更深层次推理的重要方向，尤其是在理解潜在因果机制方面。然而，现有的基于LLM的方法往往依赖于隐性语言推理，这导致因果假设不透明、推理路径不可验证，以及在复杂干预下预测脆弱，尤其是在无上下文的情况下。
在本文中，我们提出了一种显式且可审计的因果推理框架，用于无上下文的干预基础问答。我们的方法通过四个模块化阶段将因果推理形式化为在显式因果图上的结构化推理，而不是隐式的端到端预测。
一个关键创新是目标感知的因果图构建策略，该策略在图扩展过程中将目标变量视为核心约束，有效抑制无关变量、虚假因果关系和推理噪声。
此外，我们引入了一种路径级因果证据聚合机制，能够在建模强化和抵消效应的同时结合多个因果路径，使得决策过程超越单链推理，变得更加稳健。
通过在三个基准上的广泛实验，我们证明了我们的框架在提供可解释和可审计的因果推理轨迹的同时，始终优于现有的基于LLM的方法。
博主点评： Causal-Audit 通过明确的因果图构建和路径聚合机制，显著提升了因果推理的透明度与可靠性，展现了在无上下文环境下进行有效推理的潜力，为未来的LLM发展提供了新的思路。