Causal-Audit는 맥락 없는(context-free) 개입 기반 질의응답을 위해 명시적 인과 그래프 위에서 4단계 모듈형 추론을 수행하는 감사 가능한(auditable) 프레임워크다. 기존 LLM의 암묵적 언어 수준 추론은 인과 가정이 불투명하고 추론 경로 검증이 불가능하며 복잡한 개입에 취약했다. 핵심 혁신은 목표 변수를 그래프 확장의 핵심 제약으로 삼아 무관한 변수, 허위 인과 관계, 추론 노이즈를 억제하는 목표 인지(target-aware) 인과 그래프 구축 전략이다. 여기에 강화·상쇄 효과를 함께 모델링하며 여러 인과 경로를 결합하는 경로 수준 증거 집계 메커니즘을 더해 단일 사슬 추론을 넘어선다. 3개 벤치마크에서 기존 LLM 기반 방법을 일관되게 능가하면서 해석·감사 가능한 인과 추론 흔적을 제공해, 신뢰 가능한 인과 추론이 요구되는 응용에 유용하다.
- •암묵적 종단간 예측 대신 명시적 인과 그래프 위 4단계 모듈형 추론으로 인과 추론 재구성
- •목표 변수를 그래프 확장 제약으로 삼아 허위 인과 관계와 노이즈 억제
- •강화·상쇄 효과를 함께 모델링하는 경로 수준 증거 집계로 단일 사슬 추론 한계 극복
- •3개 벤치마크에서 기존 LLM 기반 방법 일관 능가, 감사 가능한 추론 흔적 제공
Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction
- 1.문맥 없는 개입형 질의응답을 위한 명시적·감사 가능 인과 추론 프레임워크 제안
- 2.타깃 변수를 핵심 제약으로 그래프를 확장하는 타깃 인지 인과 그래프 구축으로 무관 변수 억제
- 3.강화·상쇄 효과를 함께 모델링하는 경로 수준 인과 증거 집계로 단일 체인 추론 한계 극복
- 4.3개 벤치마크에서 기존 LLM 기반 기법을 일관되게 상회, 해석 가능한 추론 궤적 제공
왜 중요한가?
LLM 인과 추론이 암묵적 언어 추론에 의존해 가정이 불투명하고 검증 불가였던 한계를 명시적 인과 그래프 위 4단계 모듈 추론으로 바꾼 접근으로, 의료·정책처럼 추론 근거의 감사가 필요한 분야에 적합하다.
본문 미리보기
arXiv:2607.15281v1 Announce Type: new Abstract: Causal and intervention-based question answering is fundamental to advancing large language models (LLMs) toward reasoning beyond surface-level correlations and understanding underlying causal mechanisms. However, existing LLM-based methods often rely on implicit language-level reasoning, resulting in opaque causal assumptions, unverifiable reasoning paths, and fragile predictions under complex interventions, particularly in context-free settings.
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
