近期我们针对大模型+因果推断的前沿成果进行了深度整合，从中筛选出16篇很有参考价值的论文，收录了ICLR、NAACL、AAAI、WWW等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「因果大模型」
免费获取全部论文合集及项目代码
Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
本文通过采样获取观测数据子集，设计成对提示与BFS广度优先搜索提示两种策略将采样后的观测数据直接嵌入大模型提示词开展因果发现，在ASIA、CANCER、SURVEY基准数据集上，将大模型两种提示方案与PC、GES传统统计因果发现算法及加入皮尔逊相关系数的提示变体进行对比，采用F1、归一化汉明距离等指标评估模型推断因果图的效果，探究大模型利用观测数据做因果推理的能力与局限。
LARGE LANGUAGE MODELS FOR ZERO-SHOT INFERENCE OF CAUSAL STRUCTURES IN BIOLOGY
本文基于Perturb‑seq干预单细胞实验，借助曼‑惠特尼U检验结合本杰米尼‑霍赫伯格校正构建基因因果真值图，选用Gemma2‑9B‑it小模型开展零样本因果推断，设计多种提示与检索增强变体，让模型输出基因间因果概率矩阵，采用AUROC指标评估预测效果，并与STRING数据库知识基线进行对比，探究实验上下文、基因描述、文献素材、思维链等不同提示条件对基因因果结构推断性能的影响。
扫描下方二维码，回复「因果大模型」
免费获取全部论文合集及项目代码
Can Large Language Models Help Experimental Design for Causal
Discovery?
本文提出LeGIT框架，利用大语言模型结合自一致性提示技巧在预热、引导、双选阶段给出干预候选，后续切换GIT这类数值方法完成在线因果发现，以ENCO为骨干因果发现算法，在Asia、Child、Insurance、Alarm四个真实因果基准数据集上，采用SHD、SID、BSF指标，将该框架与CBED、AIT、GIT以及人工基线开展多组对比，同时在低数据预算条件下测试方法鲁棒性，并对框架收敛性做理论分析。
ProMind-LLM: Proactive Mental Health Care via Causal Reasoning
with Sensor Data
本文提出ProMind‑LLM模型，先依托专业心理健康语料开展领域持续预训练，再利用反事实样本增强完成监督微调以增强模型对主观心理记录噪声的鲁棒性，借助自精炼机制迭代优化可穿戴设备输出的行为数值传感器数据的文本表达格式，设计融合事实与反事实推理的因果思维链推理模块，结合客观行为数据与主观心理记录完成心理健康风险二分类评估，在PMData、Globem两个真实数据集上与多种通用大模型、领域基线模型开展对比及消融实验，同时做可部署性、一致性与专家人工评估验证整套方案效果。
扫描下方二维码，回复「因果大模型」
免费获取全部论文合集及项目代码
