LLM이 텍스트에서 국소 인과 주장을 추출하는 것을 넘어 지속적인 세계 모델로 구조화하는 PROMETHEUS 프레임워크를 소개합니다. 문헌·보고서·데이터·코드·시뮬레이션을 sheaf 형태의 인과 아틀라스로 변환하며, 각 지역 영역에는 인과 에피소드·주장 표·예측 테스트·출처가 포함됩니다. 제한 맵으로 겹치는 영역 간 동의·모순·불확정성을 진단하며, 3개 문헌 아틀라스와 4개 반사실적 사례 연구로 실효성을 입증했습니다.
- •PROMETHEUS는 문헌·데이터·모델을 sheaf 기반 인과 아틀라스 세계 모델로 변환하는 프레임워크
- •각 지역 영역에 인과 에피소드·주장 표·예측 테스트·출처를 포함하여 탐색 가능
- •제한 맵으로 겹치는 영역 간 동의·모순·불확정성을 명시적으로 진단
- •소스 데이터·코드 포함 논문에 대해 반사실적 시나리오를 과학적으로 평가 가능
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
PROMETHEUS: Automating Deep Causal Research Integrating Text, Data and Models
- 1.PROMETHEUS는 논문·데이터·코드를 인과 아틀라스로 변환하는 심층 인과 연구 프레임워크
- 2.로컬 인과 모델을 sheaf 구조로 조직화해 주장 일치·충돌·불확정 영역 자동 노출
- 3.해양 온도·GLP-1 체중 감량·레스베라트롤 등 문헌 케이스 스터디 적용 검증
- 4.원 데이터 제공 논문에서 가상 시나리오 분석 후 sheaf 세계 모델 재구성 가능
왜 중요한가?
텍스트에서 추출한 인과 주장을 탐색 가능한 세계 모델로 조직화해, 과학적 근거의 일관성과 모순을 체계적으로 파악하는 새로운 연구 인프라를 제공한다.
언급 프로젝트
본문 미리보기
arXiv:2605.12835v1 Announce Type: new Abstract: Large language models can extract local causal claims from text, but those claims become more useful when organized as persistent, navigable world models rather than as flat summaries. We introduce PROMETHEUS, a framework that turns retrieved literature, filings, reviews, reports, agent traces, source data, code, simulations, and scientific models into causal atlases: sheaf-like families of local causal predictive-state models over an explicit cov
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
