Resumen:El descubrimiento causal busca descubrir relaciones causales a partir de datos, generalmente representados como gráficos causales, y es esencial para predecir los efectos de las intervenciones. Si bien se requiere conocimiento experto para construir gráficos causales basados en principios, se han propuesto muchos métodos estadísticos para aprovechar los datos observacionales con diversas garantías formales. La argumentación basada en supuestos causales (ABA) es un marco que utiliza el razonamiento simbólico para garantizar la correspondencia entre las restricciones de entrada y los gráficos de salida, al tiempo que ofrece una forma basada en principios de combinar datos y experiencia. Exploramos el uso de modelos de lenguaje grande (LLM) como expertos imperfectos para ABA causal, obteniendo antecedentes estructurales semánticos a partir de nombres y descripciones de variables e integrándolos con evidencia de independencia condicional. Los experimentos con puntos de referencia estándar y gráficos sintéticos fundamentados semánticamente demuestran un rendimiento de vanguardia y, además, introducimos un protocolo de evaluación para mitigar el sesgo de memorización al evaluar los LLM en busca de descubrimiento causal.
Publicado originalmente en export.arxiv.org el 18 de febrero de 2026.
Ver fuente original
