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
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
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
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
On Semantic Loss Fine-Tuning Approach for Preventing Model Collapse in Causal Reasoning
Technical University of Vienna(维也纳技术大学);HCLTech
本文提出一种语义损失函数,通过图逻辑约束和动态lambda调度防止因果推理中的模型崩溃,提升模型在transitivity和d-separation任务上的准确率。
2026-05-06 cs.AI cs.LG
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
CARE: Turning LLMs Into Causal Reasoning Expert
Duke University(杜克大学)
CARE通过监督微调提升LLMs的因果推理能力,使其在因果发现任务中超越传统算法和大参数模型。
2025-11-20 cs.AI cs.LG
CR3G: Causal Reasoning for Patient-Centric Explanations in Radiology Report Generation
IIT Bombay(博伊斯大学)
CR3G通过因果推理提升放射学报告生成的解释能力,增强AI诊断的可信度和实用性。
2025-12-03 cs.AI cs.LG
Tree Search in DAG Space with Model-based Reinforcement Learning for Causal Discovery
University College London(伦敦大学学院);University of Bologna(博洛尼亚大学)
提出CD-UCT,一种基于模型强化学习的树搜索方法,通过逐步构建DAG进行因果发现,并证明了一种高效排除环边算法的正确性,实验显示其显著优于现有方法。
2024-02-13 cs.AI cs.LG
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China(清华大学深圳国际研究生院);Zhili College, Tsinghua University, Beijing, China(清华大学哲利学院)
本文提出Tree-Query框架,通过多专家LLM和对抗性置信度估计,实现透明、可解释的因果发现,提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI cs.LG stat.ML
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
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
Compositional Causal Reasoning Evaluation in Language Models
Harvard University(哈佛大学);Microsoft Research Cambridge(微软研究院剑桥)
本文提出组合因果推理(CCR)统一视角与评估框架,系统测试LLama、Phi和GPT系列模型,发现除o1外错误随因果路径复杂度上升。
2025-06-10 cs.AI cs.CL cs.LG
ACRE: Abstract Causal REasoning Beyond Covariation
UCLA(加州大学洛杉矶分校)
因果归纳,即,识别导致变量之间可观察关系的不可观察机制在现代科学发现中发挥了关键作用,特别是在只有稀疏和有限数据的情况下。人类,甚至是幼儿,在各种环境中都能令人惊讶地很好地诱导出因果关系,尽管这是众所周知的困难。然而,与人类认知的普遍特征相反,缺乏一个诊断基准来衡量现代人工智能(AI)系统的因果归纳。因此,在这项工作中,我们介绍了抽象因果推理(ACRE)数据集的系统评估当前的视觉系统的因果归纳。出于对Blicket实验中因果发现的研究流的动机,我们在独立场景或干预场景中使用以下四种类型的问题查询视觉推理系统:直接,间接,屏蔽关闭和向后阻塞,有意超越通过协变诱导因果关系的简单策略。通过分析这个测试平台上的视觉推理架构,我们注意到纯神经模型在其机会水平性能下倾向于联想策略,而神经符号组合在向后阻塞推理中挣扎。这些不足要求未来的研究模型具有更全面的因果归纳能力。
2021-03-26 cs.AI cs.CV cs.LG
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
The Recovery of Causal Poly-Trees from Statistical Data
University of California, Los-Angeles(加利福尼亚大学洛杉矶分校)
多叉树是单连接的因果网络,其中变量可能来自多个原因。本文提出了一种从经验测量的变量对的概率分布中恢复树的方法。该方法保证,如果所测量的分布是由一个因果过程,结构为一棵树,然后这种树的拓扑结构可以被精确地恢复,此外,因果方向的分支可以被确定到最大可能的程度。该方法还精确地指出了确定所考虑的变量之间的因果关系所需的最小(如果有的话)外部语义。
2013-03-27 cs.AI
CausalDS: Benchmarking Causal Reasoning in Data-Science Agents
Department of Statistics University of Michigan(统计学系密歇根大学)
介绍用于评估数据科学智能体因果推理的CausalDS基准,由含观测数据的结构因果模型和合成自然语言故事构成场景,导出跨越Pearl三个层级的任务,联合评估符号因果推理、数据科学等多方面能力。
2026-10-15 cs.AI cs.CL cs.LG
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
Learning Link-Probabilities in Causal Trees
UCLA(加州大学洛杉矶分校)
本文提出了一种学习算法,该算法在给定因果树结构的情况下,仅通过对叶节点的连续测量来估计其连接概率。树的内部节点表示无法观察的概念(隐藏)变量。所描述的方法是增量的,本地的,高效的,并保持强大的测量不精确性。
2013-03-27 cs.AI
CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning
Microsoft(微软);Yonsei University(延世大学);MIT(麻省理工学院)
进行因果推理和反事实推理的能力是人类智力的核心属性。能够执行这些类型的推理的决策系统具有更普遍和更可解释的潜力。模拟通过提供系统地改变参数(例如,混杂因素),并生成反事实情景情况下的结果示例。然而,在多智能体场景中模拟复杂的时间因果事件,例如存在于驾驶和车辆导航中的事件,是具有挑战性的。为了帮助解决这个问题,我们提出了一个高保真的仿真环境,旨在开发算法的因果关系发现和反事实推理的安全关键的上下文中。我们工作的一个核心组成部分是引入\textit{agency},以便使用高级定义来定义和创建复杂的场景。然后,车辆与代理一起运行以完成这些目标,这意味着只有在必要时才需要控制低级别的行为。我们使用三种最先进的方法进行实验,以创建基线并突出显示此环境的启示。最后,我们强调了未来工作的挑战和机遇。
2021-06-25 cs.AI cs.CV cs.LG
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
Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds
NAOInstitute, University of Auckland(奥克兰大学NAO研究所);Jožef Stefan Institute(约热夫·斯特凡研究所);University of Twente(特文特大学)
针对大语言模型因果推理能力不足及反事实评估受限的问题,提出Causal Cartographer框架,通过图检索增强生成智能体构建因果知识库,结合受因果约束的反事实推理智能体,提升LLM因果推理鲁棒性并降低成本与虚假相关性。
2025-05-20 cs.AI cs.CL cs.LG
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
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
Towards a Universal Causal Reasoner
The University of Chicago(芝加哥大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出UniCo数据生成框架,覆盖Pearl因果阶梯的18种查询类型,将符号示例转化为代码和自然语言,通过监督微调显著提升LLM的因果推理能力和推理忠实度。
2026-05-24 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
CLadder: Assessing Causal Reasoning in Language Models
MPI for Intelligent Systems, Tübingen(马克斯·普朗克智能系统研究所,蒂宾根);ETH Zürich(苏黎世联邦理工学院);IIT Kharagpur(印度理工学院卡拉格普尔分校);University of Hong Kong(香港大学);University of Washington(华盛顿大学)
本文提出自然语言因果推断任务及10K样本数据集CLadder,通过oracle因果推断引擎生成关联、干预和反事实问题,并引入CausalCoT提示策略,系统评估并揭示LLMs在形式化因果推理上的不足。
2024-01-17 cs.AI cs.CL cs.LG
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
Structuring Causal Tree Models with Continuous Variables
Tsinghua University(清华大学);UCLA(加州大学洛杉矶分校)
本文考虑的问题,调用辅助,不可观察的变量,以促进结构的因果树模型为一组给定的连续变量。重复[Pearl 1986]中对双值变量的处理,我们表明,如果耦合变量的集合由联合正态分布支配并且存在树结构表示,则可以通过观察观察变量之间的成对依赖关系来揭示树的拓扑结构和所有内部关系(即,树的叶子)。此外,正态分布变量的条件比双值变量的条件限制更少。结果扩展了因果树模型在证据推理任务中的应用。
2013-03-27 cs.AI
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 Decision Trees
University of South Australia(南澳大利亚大学)
揭示数据中的因果关系是数据分析的主要目标。因果关系通常是通过设计的实验发现的,例如随机对照试验,然而在许多情况下,这是昂贵的或不可行的。因果关系也可以通过一些精心设计的观察性研究来发现,但它们需要领域专家的知识,而且这个过程通常很耗时。因此,需要可扩展和自动化的方法来探索数据中的因果关系。分类方法是快速的,它们可以成为在数据中寻找因果信号的实际替代品。然而,分类方法并不是为因果发现而设计的,分类方法可能会发现错误的因果信号而错过真正的因果信号。在本文中,我们开发了一个因果决策树的节点有因果解释。我们的方法遵循一个良好的因果推理框架,并利用一个经典的统计检验。该方法对于在大数据集中发现因果信号是实用的。
2015-08-16 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
ChainReaction: Causal Chain-Guided Reasoning for Modular and Explainable Causal-Why Video Question Answering
Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore(新加坡高性能计算研究所,科技研究局);Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore(科技研究局前沿人工智能研究中心,新加坡);College of Computing and Data Science, Nanyang Technological University, Singapore(新加坡南洋理工大学计算与数据科学学院)
针对现有因果关系视频问答模型的问题,提出新的模块化范式,将因果推理与答案生成解耦,引入自然语言因果链,介绍两阶段架构及生成因果链方法,新指标,实验证明该方法性能优越。
2026-07-07 cs.AI cs.CL cs.CV
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。
2026-11-18 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
Probabilistic Reasoning across the Causal Hierarchy
Stanford University(斯坦福大学)
我们提出了一个形式化的三层因果层次的关联,干预和反事实作为一系列的概率逻辑语言。我们的语言是严格增加的表现力,第一个能够表达定量概率推理-包括条件独立性和贝叶斯推理-第二个编码做演算推理的因果关系,第三个捕获一个完全表达做演算任意反事实查询。我们给出了相应的一系列有限公理化完成的结构因果模型和概率程序,并证明了满足性和有效性的每种语言是在多项式空间中可判定的。
2021-06-02 cs.AI cs.LO
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
Leveraging Foundation Models for Causal Generative Modeling
University of Arkansas(亚拉巴马大学)
提出FM-CGM框架,通过预训练基础模型实现零样本因果发现、干预和反事实生成,并引入因果语义引导机制确保忠实反事实图像生成。
2026-05-22 cs.AI cs.CV cs.LG
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
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
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
ROCK: Causal Inference Principles for Reasoning about Commonsense Causality
University of Pennsylvania(宾夕法尼亚大学);Tencent AI Lab(腾讯人工智能实验室);Amazon AWS AI Labs(亚马逊AWS人工智能实验室)
常识因果推理(CCR)的目的是在一般人认为合理的自然语言描述中识别可能的原因和结果。虽然是巨大的学术和实践的兴趣,这个问题仍然是一个良好的理论框架的缺乏阴影;现有的工作通常依赖于深语言模型全心全意,并可能容易混淆同现。受经典因果原则的启发,我们阐明了CCR的核心问题,并在观察性研究中的人类受试者与自然语言之间进行了比较,以将CCR纳入潜在结果框架,这是常识性任务的首次尝试。我们提出了一个新的框架,岩石,原因O(A)约常识K(C)的因果关系,它利用时间信号作为偶然的监督,并平衡混淆的影响,使用类似于倾向分数的时间倾向。ROCK的实现是模块化和zero-shot的,并展示了良好的CCR功能。
2022-06-17 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