Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction
School of Information and Communication Technology, Griffith University（信息与通信技术学院，格里菲斯大学）
针对无上下文干预问答，提出因果审计框架，通过目标感知因果图构建和路径级因果证据聚合机制，将因果推理结构化，实验证明该框架优于现有方法，能提供可解释且可审计的推理痕迹。
2026-07-20 cs.AI
e-CARE: a New Dataset for Exploring Explainable Causal Reasoning
Harbin Institute of Technology（哈尔滨工业大学）
理解因果关系对于各种自然语言处理（NLP）应用至关重要。除了标记的实例之外，因果关系的概念解释还可以提供对因果事实的深入理解，以促进因果推理过程。然而，这样的解释信息仍然是缺乏现有的因果推理资源。在本文中，我们填补了这一空白，提出了一个人类注释的可解释的因果推理数据集（e-CARE），其中包含超过21 K的因果推理问题，连同自然语言形成的解释的因果问题。实验结果表明，对于现有的因果推理模型而言，如何对因果事实进行有效的解释仍然是一个挑战，而解释信息有助于提高因果推理模型的准确性和稳定性。
2022-05-12 cs.AI cs.CL
Towards Fine-grained Causal Reasoning and QA
Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）；Delft University of Technology（代尔夫特理工大学）；University College London（伦敦大学学院）
理解因果关系是NLP应用成功的关键，特别是在高风险领域。因果关系来自各种角度，如使能和预防，尽管它们很重要，但在文献中基本上被忽视了。本文介绍了一种新的细粒度因果推理数据集，并提出了一系列新的预测任务，如因果关系检测，事件因果关系提取和因果QA。我们的数据集包含多句样本中的25K因果事件对和24K问答对的人类注释，其中每个事件对都可以有多个因果关系。通过广泛的实验和分析，我们表明，我们的数据集中的复杂关系带来了独特的挑战，最先进的方法在所有三个任务，并突出了潜在的研究机会，特别是在开发“混沌思维”的方法。
2022-04-15 cs.AI cs.CL cs.LO
Uncovering Hidden Correctness in LLM Causal Reasoning via Symbolic Verification
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（智能系统研究所）；ETH AI Center（苏黎世联邦理工学院人工智能中心）
本文提出DoVerifier，通过符号验证揭示LLM因果推理中的隐藏正确性，提升因果推理评估的严谨性与信息量。
2026-01-29 cs.AI
CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching
提出CausalFlip基准，通过构建语义相似但因果答案相反的问题对和噪声前缀评估，揭示LLM依赖语义匹配而非因果推理，并验证内化因果推理方法可提升因果基础。
2026-06-29 cs.AI
Causal Reasoning in Pieces: Modular In-Context Learning for Causal Discovery
Leiden Institute of Advanced Computer Science (LIACS)（莱顿先进计算机科学研究所）
针对大语言模型因果推理难题，本研究测试前沿推理模型在因果发现任务上的表现，提出受思维树/链启发的模块化上下文流水线，实现近三倍性能提升，为跨领域因果发现提供可推广框架。
2025-07-31 cs.AI
CausalStep: A Benchmark for Explicit Stepwise Causal Reasoning in Videos
本文提出 CausalStep 视频基准，通过因果单元分割、顺序QA、错误类型干扰项和七项诊断指标，严格评估模型的逐步因果推理能力。
2025-07-22 cs.AI cs.CV
Proceedings First Workshop on Causal Reasoning for Embedded and safety-critical Systems Technologies
自动因果关系分析，故障定位，事件解释，问责制和责备的正式方法已经由几个社区独立提出-特别是人工智能，并发，基于模型的诊断，正式方法。在过去几年中，关于这些专题的工作大大加快了速度。CREST的目标是汇集和促进来自不同社区的研究人员之间的交流，并介绍和讨论该领域的最新进展和新想法。研讨会的程序包括一组邀请和贡献的演示文稿，说明不同的技术，因果关系分析和故障定位的应用。该计划由两个主题演讲组成。Hana Chockler（国王学院）的主旨发言提供了一个广泛的视角，探讨了基于Halpern和Pearl对实际因果关系的定义的因果推理在从形式化验证到法律推理等各种应用领域的应用。Chao Wang（弗吉尼亚理工大学）的主题演讲集中在调试和验证并发程序的基于约束的分析技术。研讨会论文涉及成分因果关系分析和广泛的因果推理应用，如概率模型的调试，问责制和责任，基于刘易斯反事实的实践中的危险分析，以及故障定位和修复。
2016-08-26 cs.AI cs.LO cs.SE
When Models Learn to Ask Why: Adaptive Causal Reasoning for Trustworthy Medical Vision-Language Models
The Ohio State University（俄亥俄州立大学）；Hunan University（湖南大学）；Amazon（亚马逊）
提出MedCausalX框架，通过因果推理链、自适应反射架构和轨迹级因果校正，解决医疗VLM中的虚假相关和推理不一致问题，显著提升诊断一致性和减少幻觉。
2026-05-28 cs.AI
Correlation or Causation: Analyzing the Causal Structures of LLM and LRM Reasoning Process
本文通过结构因果模型系统分析LLMs与LRMs的推理过程，发现RLVR训练能减少虚假相关、强化因果结构，从而提升推理忠实性并减少偏见。
2025-09-22 cs.AI
CausalARC: Abstract Reasoning with Causal World Models
CausalARC通过因果世界模型进行低数据和分布外推理，结合原则性数据增强提供少量示例反馈，用于评估语言模型在抽象推理、反事实推理、程序合成和因果发现中的表现。
2026-03-19 cs.AI cs.CL cs.LG
Diagnosing Causal Reasoning in Vision-Language Models via Structured Relevance Graphs
University of Melbourne（墨尔本大学）；The University of Western Australia（西澳大学）
本文提出ViLCaR基准，通过结构化相关性图评估视觉-语言模型的因果推理能力，发现其局限性源于结构指导不足而非推理能力不足。
2026-02-24 cs.AI
Decision-Theoretic Foundations for Causal Reasoning
我们提出了一个定义的原因和影响的决策理论的原语，从而提供了一个原则性的基础因果推理。我们的定义偏离了因果关系的传统观点，因为因果断言可能会随着可用的决策集而变化。我们认为，这种方法提供了更清晰的概念的原因。此外，在本文中，我们研究的编码因果关系的有向无环图。我们描述了一类特殊的影响图，那些在规范形式，并显示其关系到珍珠的代表性的原因和效果。最后，我们展示了规范形式如何促进反事实推理。
1995-12-01 cs.AI
Causal Scaffolding for Physical Reasoning: A Benchmark for Causally-Informed Physical World Understanding in VLMs
CFAR（因果推理研究所）；IHPC（信息技术研究所）；Agency for Science, Technology and Research (A*STAR)（科技研究局）；Nanyang Technological University（南洋理工大学）
提出CausalPhys基准（含3000+视频/图像问题及因果图），并设计因果图度量评估VLM推理，进一步提出因果理性微调（CRFT）提升推理准确性与可解释性。
2026-06-04 cs.AI cs.DB
CausalKG: Causal Knowledge Graph Explainability using interventional and counterfactual reasoning
人类在日常决策、计划和理解生活事件时使用因果关系和假设性回顾。人类的头脑在回顾一个特定的情况时，会思考这样的问题：“特定情况的原因是什么？“、“我的行动会产生什么影响？“，或者“是什么行为导致了这种结果？".它开发了一个世界的因果模型，它可以用更少的数据点学习，进行推理，并考虑反事实的场景。看不见的、未知的场景被称为反事实。AI算法使用基于知识图谱（KG）的表示来表示时间、空间和事实的概念。KG是一个图形化的数据模型，它捕获诸如事件、对象或概念之类的实体之间的语义关系。现有的知识库表示从文本中提取的因果关系，基于名词短语的语言模式的原因和影响，如在概念网和WordNet。目前的因果关系表示在KG中，支持反事实推理是一个挑战。需要使用基于KG的方法来更丰富地表示AI系统中的因果关系，以获得更好的可解释性，并支持干预和反事实推理，从而提高人类对AI系统的理解。因果表征需要一个更高的表征框架来定义上下文、因果信息和因果效应。提出的因果知识图谱（Causal KG）框架，利用因果关系和KG的可解释性的最新进展。CauseKG旨在解决缺乏领域适应性因果模型的问题，并使用KG中的超关系图表示来表示复杂的因果关系。我们表明，CauseKG的干预和反事实推理可以使用的AI系统的域的可解释性。
2022-01-06 cs.AI
Causal Reasoning for Algorithmic Fairness
New York University（纽约大学）；University of Surrey（萨里大学）；Alan Turing Institute（艾伦图灵研究所）；University of Warwick（华威大学）；University College London（伦敦大学学院）
在这项工作中，我们认为因果推理的重要性，创造公平的决策算法。我们给现有的方法来公平的审查，描述因果关系的理解因果关系的方法所需的工作，认为为什么因果关系是必要的任何方法，希望是公平的，并给出了详细的分析，最近的许多方法，以因果关系为基础的公平。
2018-05-15 cs.AI cs.CY
Algorithms for Causal Reasoning in Probability Trees
DeepMind（深度思考）
概率树是因果生成过程中最简单的模型之一。它们具有清晰的语义，并且-与因果贝叶斯网络不同-它们可以表示特定于上下文的因果依赖关系，这对于因果归纳是必要的。然而，它们很少受到AI和ML社区的关注。在这里，我们提出了具体的算法，因果推理的离散概率树，涵盖了整个因果层次结构（协会，干预和反事实），并操作任意命题和因果事件。我们的工作扩展域的因果推理的一个非常一般的一类离散随机过程。
2020-11-12 cs.AI cs.LG
CauSim: Scaling Causal Reasoning with Increasingly Complex Causal Simulators
DAMTP, University of Cambridge, Cambridge, UK（剑桥大学 DAMTP 实验室，剑桥，英国）
CauSim通过构建日益复杂的因果模拟器，将因果推理从稀缺标签问题转化为可扩展的监督学习问题，实现跨表示的泛化和因果推理能力的提升。
2026-05-09 cs.AI
Compressed Causal Reasoning: Quantization and GraphRAG Effects on Interventional and Counterfactual Accuracy
School of Data and Information（数据与信息学院）；Rajamangala University of Technology（拉贾穆angala技术大学）
研究探讨量化与图结构增强对因果推理准确率的影响，发现四比特量化对因果推理具有鲁棒性，图结构增强可提升干预准确性，现有反事实基准需改进以捕捉更深层次因果脆弱性。
2025-12-24 cs.AI
CreDes: Causal Reasoning Enhancement and Dual-End Searching for Solving Long-Range Reasoning Problems using LLMs
School of Computer and Communication Engineering（计算机与通信工程学院）；University of Science and Technology Beijing（北京科技大学）
本文提出CreDes框架，通过因果关系增强保证推理与状态转移一致，并以双端搜索缩小长程搜索空间，从而提升LLM组合优化任务的准确率与效率。
2024-10-02 cs.AI cs.CL
CausalVLBench: Benchmarking Visual Causal Reasoning in Large Vision-Language Models
Department of Electrical Engineering and Computer Science University of Arkansas（电气工程与计算机科学系 奎萨克大学）
本文提出CausalVLBench基准，包含因果结构推断、干预目标预测和反事实预测三个任务，评估开源LVLMs在视觉因果推理上的能力，揭示其优缺点并指引改进方向。
2025-10-10 cs.AI cs.CL cs.LG
CausalEval: Towards Better Causal Reasoning in Language Models
UC San Diego（加州大学圣地亚哥分校）；UMass Amherst（马萨诸塞大学阿默斯特分校）；Georgia Tech（佐治亚理工学院）；UCLA（加利福尼亚大学洛杉矶分校）；Arizona State University（亚利桑那州立大学）；Michigan State University（密歇根州立大学）；Purdue University（普渡大学）；University of Arizona（亚利桑那大学）
本文提出 CausalEval，系统综述并实证评估语言模型在因果推理任务中的方法、表现与增强路径，指出未来研究方向。
2025-02-17 cs.AI cs.CL
From Prompts to Tokens: Internalizing Causal Supervision in Vision-Language Model for Multi-Image Causal Reasoning
University of Science and Technology of China（中国科学技术大学）
提出BridgeVLM，通过从多图像输入诱导因果图并转换为因果标记，注入LLM解码器进行因果消息传递，显著提升多图像因果推理性能。
2026-06-11 cs.AI cs.CV
Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs
Sun Yat-sen University（中山大学）
针对基础模型知识推理中存在的概念错误、推理谬误等问题，提出因果一致性思维链（CaCo-CoT）多智能体框架，通过推理器生成因果推理链、评估器从非因果和反事实视角审视因果一致性，在多任务上优于现有方法。
2025-02-12 cs.AI cs.MA
Causal Reasoning from Meta-reinforcement Learning
DeepMind（深度思维）；Harvard University（哈佛大学）；UCL（伦敦大学学院）
发现和利用环境中的因果结构是智能代理的一个关键挑战。在这里，我们探讨因果推理是否可以通过Meta强化学习出现。我们用无模型强化学习训练一个递归网络，以解决一系列问题，每个问题都包含因果结构。我们发现，经过训练的代理可以在新的情况下进行因果推理，以获得奖励。代理人可以选择信息干预，从观察数据中得出因果推论，并做出反事实的预测。虽然建立正式的因果推理算法也存在，在本文中，我们表明，这种推理可以从无模型强化学习，并建议在复杂的设置因果推理可能会受益于更多的端到端的学习为基础的方法在这里。这项工作还提供了新的策略，结构化探索强化学习，通过提供代理的能力，执行-和解释-实验。
2019-01-23 cs.AI cs.LG stat.ML
CSCE: Boosting LLM Reasoning by Simultaneous Enhancing of Causal Significance and Consistency
School of Computer and Communication Engineering（计算机与通信工程学院）；University of Science and Technology Beijing（北京科技大学）
针对大语言模型链式推理中存在的因果幻觉问题，本文提出非链式推理框架CSCE，通过定制损失函数增强因果显著性与一致性，将级联推理改为一次性输出，同时提升了推理成功率与速度。
2025-03-24 cs.AI cs.CL
Causal reasoning in difference graphs
Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔·路易流行病学与公共卫生研究所）
本文针对差异图尚未被系统用于增强因果推理的问题，建立在非参数与线性设定下识别总/直接因果变化及效应的条件，为公共卫生应用提供新方法。
2025-02-16 cs.AI stat.ME
ACCESS : A Benchmark for Abstract Causal Event Discovery and Reasoning
Monash University（莫纳什大学）
针对现有NLP事件因果识别方法在分布外场景的不足，提出抽象因果事件发现与推理基准ACCESS，从GLUCOSE提取1.4K抽象因果对，实验显示其可提升LLMs的问答推理性能，同时揭示相关任务的挑战。
2025-02-12 cs.AI
MCE Reasoning in Recursive Causal Networks
The University of Melbourne（墨尔本大学）
基于最小交叉熵（MCE）原理和递归因果模型（RCM）的概念，提出了一种不确定条件下的概率推理方法。变量之间的依赖关系和相关性用一种特殊的语言BNDL（信念网络描述语言）来描述。信念在代表潜在概率分布的BNDL程序的子句之间传播。用Prolog和C语言分别实现了BNDL语言的解释器，并与其它方法进行了性能比较。
2013-03-27 cs.AI
CaLR: Causal Latent Revision for Robust Diffusion Reasoning
Peking University（北京大学）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI））
提出CaLR框架，结合AR与DLM优势，通过因果拓扑矩阵和隐式微分进行梯度引导思维修正，实现并行生成中逻辑一致的自校正，在复杂基准和数独任务上达到SOTA性能。
2026-11-10 cs.AI
InfoCausalQA:Can Models Perform Non-explicit Causal Reasoning Based on Infographic?
本研究提出InfoCausalQA基准，通过定量与语义因果推理任务评估视觉语言模型基于信息图的因果推断能力，发现当前模型表现显著低于人类，凸显多模态AI在因果推理上的不足。
2025-08-13 cs.AI cs.CL
Unveiling Causal Reasoning in Large Language Models: Reality or Mirage?
Intelligent Game and Decision Lab（智能游戏与决策实验室）；National University of Defense Technology（国防科技大学）；University of Melbourne（墨尔本大学）；University of Sydney（悉尼大学）；Hong Kong Baptist University（香港 Baptist 大学）
本文揭示LLMs仅能进行浅层一级因果推理而缺乏类人二级推理能力，提出结合通用知识与目标导向提示的G^2-Reasoner方法，显著提升了LLMs在新颖和反事实语境下的因果推理能力。
2025-06-26 cs.AI cs.CL cs.LG
TempoBench: Reasoning Execution Without Causal Attribution Is Just Simulation
Columbia University（哥伦比亚大学）；Columbia University, Barnard College（哥伦比亚大学、巴纳德学院）
提出TempoBench基准，通过合成Mealy机生成可验证的因果标签，评估LLM在时间因果推理中的表现，发现模型在最小因果归因任务上准确率低于25%，主要错误是过度指定。
2026-08-11 cs.AI cs.FL
Multimodal Causal Reasoning Benchmark: Challenging Vision Large Language Models to Discern Causal Links Across Modalities
School of Computer Science, The University of Sydney（计算机科学学院，悉尼大学）
本文提出多模态因果推理基准MuCR，利用合成孪生图像和文本对挑战MLLMs，发现其跨模态推理弱于纯文本，并开发VcCoT策略通过突出视觉线索有效增强该能力。
2025-05-26 cs.AI cs.CV
COLD: Causal reasOning in cLosed Daily activities
Indian Institute of Technology Kanpur (IIT Kanpur)（印度理工学院坎普尔分校）
为评估LLM的类人因果推理能力，本文提出COLD框架，基于日常活动构建约900万条因果查询，评估发现LLM在简单日常活动的因果推理上仍具挑战，并通过后门标准探索其因果推理能力。
2024-11-29 cs.AI cs.CL cs.LG
Probabilistic Reasoning about Actions in Nonmonotonic Causal Theories
我们提出的语言{MP}{CAL C}+概率推理的行动，这是一个概括的行动语言{CAL C}+，允许处理概率以及不确定性的影响的行动。我们定义了一个正式的语义{MP}{CAL C}+在状态集之间的概率转换。使用一个概念的历史和它的信念状态，然后，我们展示了如何在推理行动的几个重要问题，可以简洁地制定在我们的形式主义。
2012-10-19 cs.AI
Counterfactual Multihop QA: A Cause-Effect Approach for Reducing Disconnected Reasoning
Sun Yat-Sen University（中山大学）
多跳QA需要对多个支持事实进行推理来回答问题。然而，现有的QA模型总是依赖于捷径，例如，仅通过一个事实而不是多跳推理来提供真实答案，这被称为$\textit{disconnected reasoning}$问题。为了缓解这个问题，我们提出了一种新的反事实的多跳QA，一种因果关系的方法，能够减少断开的推理。它建立在因果关系的明确建模基础上：1）断开推理的直接因果效应和2）来自总因果效应的真正多跳推理的因果效应。利用因果图，提出了一种反事实推理方法，将不连续推理从因果效应中分离出来，为学习真正的多跳推理而不是捷径的QA模型提供了新的视角和技术。在HotpotQA基准数据集上进行了大量实验，实验结果表明，该方法在减少断开推理方面取得了显著的进步.例如，通过真正的多跳推理，我们的方法在HotpotQA上的Supp $_s$分数高出5.8%。该代码可在补充材料中找到。
2022-10-13 cs.AI cs.CL
Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets
New York University（纽约大学）
本文通过噪声-或因果贝叶斯网络评估LLM和人类在因果推理任务中的表现，探讨其因果强度和信念差异。
2025-12-10 cs.AI
Tractable Epistemic Reasoning with Functional Fluents, Static Causal Laws and Postdiction
我们提出了一个易处理的认知推理的h-近似（HPX）理论的扩展的认知行动理论。与现有的易于处理的方法相比，该理论支持静态因果律的功能流畅性和事后推理。我们认为，这种组合是特别协同，因为它允许一个不仅执行直接postdiction的条件下的行动，但也间接postdiction的条件下的静态因果律。我们发现，尽管更丰富的表达，时间投影问题仍然易于处理（多项式），因此规划问题仍然是NP。我们提出了我们的理论的操作语义，以及它的制定答案集编程。
2020-11-25 cs.AI
ReCo: Reliable Causal Chain Reasoning via Structural Causal Recurrent Neural Networks
Huawei Cloud（华为云）
针对因果链推理中的阈值效应与场景漂移问题，提出ReCo框架，利用结构因果循环神经网络（SRNN）估计外生变量间的矛盾，显著提升了模型在中英文数据集及下游任务上的表现。
2022-12-16 cs.AI cs.CL
Probabilistic Causal Reasoning
Brown University（布朗大学）
预测未来是决策的重要组成部分。然而，在大多数情况下，没有足够的信息来做出准确的预测。在本文中，我们发展了一个理论的因果推理预测推理下的不确定性。我们强调一种常见的预测类型，它涉及对持久性的推理：一个命题一旦为真，是否在以后的某个时间仍然为真。我们提供了一个决策过程与多项式时间算法，用于确定一组事件和初始条件的可能后果的概率。简单的概率论与时间投影的集成，使我们能够规避问题，非单调的时间推理计划在处理持久性。本文中的想法已经实现了一个原型系统，细化的因果规则的数据库中的过程中，应用这些规则来构建和执行计划，在制造领域。
2013-03-27 cs.AI
Orca: Neural Operators for Causal Reasoning in Continuous Time
针对需处理连续时间、不规则观测及反馈循环的系统，提出神经算子框架Orca，扩展神经算子架构表达因果机制，在合成示例上实现反事实推理。
2026-07-31 cs.AI
Do LLMs Share Human-Like Biases? Causal Reasoning Under Prior Knowledge, Irrelevant Context, and Varying Compute Budgets
本文通过对比20余种LLM与人类基准，在11个由碰撞结构形式化的因果判断任务中发现，小型可解释模型能有效压缩LLM的因果判断，多数LLM表现出比人类更规则化的推理策略，但未表现出人类典型的碰撞偏见。
2026-03-12 cs.AI
Causal Graph based Event Reasoning using Semantic Relation Experts
Stony Brook University（石英 Brook 大学）；University of Pennsylvania（宾夕法尼亚大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；United States Naval Academy（美国海军学院）
针对LLM难以识别事件因果关系的问题，提出多语义关系专家协作生成因果事件图的方法，并验证其可提升事件预测等下游推理表现。
2025-06-07 cs.AI
Causal Interventions on Causal Paths: Mapping GPT-2's Reasoning From Syntax to Semantics
University of Southern California（南加州大学）
本研究针对大语言模型自然语言推理难以通过电路解析的问题，以GPT-2 small为对象开展因果句干预实验，发现因果句法定位在前2-3层、深层特定头关注语义关系，为表征LLM因果推理提供了初步依据。
2024-10-28 cs.AI cs.CL
Assessing LLM Reasoning Through Implicit Causal Chain Discovery in Climate Discourse
Department of Computer Science, KU Leuven（卢森堡大学计算机科学系）；Institute of Argumentation, Linguistics, and Semiotics (IALS)（论证、语言学与象征学研究所）
本文通过隐含因果链发现任务评估 LLM 的因果推理能力，发现其生成的因果步骤数量和粒度存在差异，但主要依赖关联模式匹配而非真实因果推理。
2026-03-18 cs.AI cs.CL
On Probabilistic and Causal Reasoning with Summation Operators
Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
该研究完成了带求和算子的概率与因果语言的复杂度刻画，证明二者推理难度相当，还发现无限制自由变量会导致系统不可判定，并完成相关语言公理化，解决了前人提出的开放问题。
2024-05-18 cs.AI cs.CC cs.LO
Nuance Matters: Probing Epistemic Consistency in Causal Reasoning
EPFL（洛桑联邦理工学院）；University of Waterloo（滑铁卢大学）
本文提出因果认知一致性概念及三项新度量指标，通过对21个主流LLMs的实证研究发现现有模型难以在因果推理中保持对中间因素极性和强度的自洽判断，并探索了利用内部token概率作为辅助手段。
2024-08-27 cs.AI cs.CL
CausalT5k: Diagnosing Refusal and Failure Modes in Trustworthy Causal Reasoning Across Causal Rungs
Stanford University（斯坦福大学）
提出CTK基准，通过5,147个案例诊断大语言模型在因果推理中的失败模式，包括因果阶梯、陷阱类型、压力敏感性和拒绝质量等标注，揭示聚合准确率隐藏的缺陷。
2026-06-17 cs.AI
Enhancing Causal Reasoning in Large Language Models: A Causal Attribution Model for Precision Fine-Tuning
University of California, Irvine（加州大学尔湾分校）；North Carolina State University（北卡罗来纳州立大学）；Amazon（亚马逊公司）
本文提出一种因果归因模型，通过精确微调提升大语言模型的可解释性和因果推理能力，展示了模型在不同领域中的因果发现任务中的有效性。
2026-05-21 cs.AI cs.CL cs.LG
A Survey on Enhancing Causal Reasoning Ability of Large Language Models
University of Technology Sydney（悉尼科技大学）
本文系统综述了增强大型语言模型因果推理能力的研究，梳理了关键挑战，提出新分类法对现有方法进行归类比较，并总结了评估基准与未来方向。
2025-03-12 cs.AI cs.CL
Are Stated Reasoning Steps Causally Load-Bearing?
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究通过激活级因果干预测量思维链推理的因果承重性，发现行为测试高估忠实性，且模型能力影响因果忠实性。
2026-09-24 cs.AI
Causal Reasoning in Graphical Time Series Models
University of Maastricht（马斯特里赫特大学）；University College London（伦敦大学学院）
我们提出了一个定义的因果关系的时间序列的影响，在一个多变量时间序列的一个组件上的另一个组件在稍后的时间点的干预。可识别性的条件，可比的后门和前门的标准，提出，也可以通过图形验证。因果效应的计算推导和说明的线性情况下。
2012-06-20 cs.AI stat.ME
Mitigating Hallucinations in Large Language Models via Causal Reasoning
针对大型语言模型（LLMs）的逻辑不一致幻觉问题，提出因果DAG构建与推理（CDCR-SFT）监督微调框架，通过显式建模变量级因果关系提升推理能力，在CLADDER上准确率超人类且在HaluEval上减少幻觉。
2025-11-12 cs.AI cs.CL cs.LG
