Causal-Audit：ターゲット認識因果連鎖構築による明示的で監査可能なグラフベース推論

因果推論は、大規模言語モデル（LLM）が表面的な相関を超えて因果メカニズムを理解する能力を向上させるための基盤である。しかし、既存のLLMベース手法は暗黙的な言語レベル推論に依存し、因果仮定が不透明で推論経路が検証不可能であり、特に無コンテキスト環境での複雑な介入下では予測が脆弱である。本研究では、Causal-Auditフレームワークを提案する。本手法は因果推論を明示的な因果グラフ上の構造化推論として4つのモジュール段階で定式化し、暗黙的なエンドツーエンド予測を置き換える。このフレームワークは特に無コンテキストの介入型質問応答タスクに焦点を当て、変数間の因果関係を明示的にモデル化する。

第一の革新は、ターゲット認識因果グラフ構築戦略である。この戦略は、ターゲット変数をグラフ拡張時の核となる制約として扱い、無関係な変数、疑わしい因果関係、推論ノイズを効果的に抑制する。従来の手法はすべての変数を無差別に考慮するため、グラフに大量のノイズや疑似因果が含まれる。ターゲット認識戦略はターゲット変数を制約とすることで、無関係な情報を効果的に除去し、因果グラフの精度と解釈可能性を向上させる。

第二の革新は、経路レベルの因果証拠集約機構である。これは複数の因果経路を統合し、強化効果と相殺効果の両方をモデル化することで、単一連鎖推論を超えた頑健な意思決定を可能にする。例えば、複数の因果経路が同じ結論を指す場合、強化効果がその結論の信頼性を高める。一方、経路間で矛盾がある場合、相殺効果が証拠を合理的に調整する。この集約方法は人間の推論の複雑さを模倣し、単一因果連鎖の限界を克服する。

3つのベンチマークでの広範な実験により、本フレームワークは既存のLLM手法を一貫して上回る性能を示し、同時に解釈可能で監査可能な因果推論トレースを提供する。これによりモデルの意思決定プロセスがより透明になり、検証やデバッグが容易になる。この成果はACL 2026で発表され、LLM分野における因果推論の重要な進展を示す。