Causal-Audit：透過目標感知因果鏈構建實現顯式可審計的圖基推理
本文提出Causal-Audit框架，將因果推理顯式建模為結構化因果圖上的四階段推理，而非隱式端到端預測。核心創新包括目標感知的因果圖構建策略和路徑級因果證據聚合機制，有效抑制無關變數和虛假因果，提升複雜干預下的魯棒性。在三個基準測試上，該方法優於現有LLM方法，並提供可解釋、可審計的推理軌跡。
因果推理是推動大語言模型（LLM）超越表面相關性、理解深層因果機制的關鍵能力。然而，現有LLM方法多依賴隱式的語言級推理，導致因果假設不透明、推理路徑不可驗證，在複雜干預場景下預測脆弱，尤其在無上下文環境中表現不佳。針對這一問題，本研究提出Causal-Audit框架，將因果推理顯式化為結構化因果圖上的四階段推理流程，而非黑箱式的端到端預測。該框架特別針對無上下文的干預型問答任務，透過構建顯式的因果圖來模擬變數間的因果關係。
框架的第一項核心創新是目標感知的因果圖構建策略。該策略以目標變數作為圖擴充套件的核心約束，在構建過程中主動抑制無關變數、虛假因果關聯和推理噪聲，從而得到更純淨、更聚焦的因果圖。傳統方法往往不加區分地考慮所有變數，導致圖中包含大量噪聲和虛假關聯。目標感知策略透過將目標變數作為約束，有效過濾了無關資訊，提高了因果圖的準確性和可解釋性。
第二項創新是路徑級因果證據聚合機制。該機制綜合多條因果路徑，同時建模路徑間的協同效應與抵消效應，使得決策不僅依賴單鏈推理，而是基於更全面的證據體，從而提升魯棒性。例如，在多個因果路徑指向同一結論時，協同效應會加強該結論的可信度；而當路徑間存在矛盾時，抵消效應會合理權衡證據。這種聚合方式模擬了人類推理的複雜性，克服了單一因果鏈的侷限性。
在三個基準資料集上的大量實驗表明，Causal-Audit框架在效能上一致優於現有LLM方法，同時提供可解釋、可審計的因果推理軌跡。這使得模型的決策過程更加透明，便於驗證和除錯，為因果推理在AI系統中的可信應用奠定了基礎。該工作已被ACL 2026接收，標誌著因果推理在LLM領域的重要進展。