Causal-Audit：通过目标感知因果链构建实现显式可审计的图基推理
本文提出Causal-Audit框架，将因果推理显式建模为结构化因果图上的四阶段推理，而非隐式端到端预测。核心创新包括目标感知的因果图构建策略和路径级因果证据聚合机制，有效抑制无关变量和虚假因果，提升复杂干预下的鲁棒性。在三个基准测试上，该方法优于现有LLM方法，并提供可解释、可审计的推理轨迹。
因果推理是推动大语言模型（LLM）超越表面相关性、理解深层因果机制的关键能力。然而，现有LLM方法多依赖隐式的语言级推理，导致因果假设不透明、推理路径不可验证，在复杂干预场景下预测脆弱，尤其在无上下文环境中表现不佳。针对这一问题，本研究提出Causal-Audit框架，将因果推理显式化为结构化因果图上的四阶段推理流程，而非黑箱式的端到端预测。该框架特别针对无上下文的干预型问答任务，通过构建显式的因果图来模拟变量间的因果关系。
框架的第一项核心创新是目标感知的因果图构建策略。该策略以目标变量作为图扩展的核心约束，在构建过程中主动抑制无关变量、虚假因果关联和推理噪声，从而得到更纯净、更聚焦的因果图。传统方法往往不加区分地考虑所有变量，导致图中包含大量噪声和虚假关联。目标感知策略通过将目标变量作为约束，有效过滤了无关信息，提高了因果图的准确性和可解释性。
第二项创新是路径级因果证据聚合机制。该机制综合多条因果路径，同时建模路径间的协同效应与抵消效应，使得决策不仅依赖单链推理，而是基于更全面的证据体，从而提升鲁棒性。例如，在多个因果路径指向同一结论时，协同效应会加强该结论的可信度；而当路径间存在矛盾时，抵消效应会合理权衡证据。这种聚合方式模拟了人类推理的复杂性，克服了单一因果链的局限性。
在三个基准数据集上的大量实验表明，Causal-Audit框架在性能上一致优于现有LLM方法，同时提供可解释、可审计的因果推理轨迹。这使得模型的决策过程更加透明，便于验证和调试，为因果推理在AI系统中的可信应用奠定了基础。该工作已被ACL 2026接收，标志着因果推理在LLM领域的重要进展。