解锁工业场景下的时序因果发现，清华&阿里巴巴&伯克利联合提出RealTCD框架：通过大语言模型提升发现质量！-CSDN博客

本文链接：https://blog.csdn.net/math_bearrr/article/details/138415834

本文介绍了RealTCD框架，一种利用大型语言模型和观测数据进行时间因果关系发现的新方法，尤其在无需干预目标的工业场景中展现出优势。该框架结合了基于分数的因果发现和LLM引导的元初始化，有效提升工业AI的效率和决策质量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

DeepVisionary 每日深度学习前沿科技推送&顶会论文分享，与你一起了解前沿深度学习信息！

LLM-Enhanced Causal Discovery in Temporal Domain from Interventional Data

引言：AI在信息技术运营中的革命性应用

在现代信息技术运营（AIOps）的背景下，人工智能的引入不仅改变了我们管理和操作复杂信息系统的方式，更在根本上提升了操作效率和决策过程的质量。特别是在因果发现技术方面，AI的应用使得系统能够准确地识别出潜在的因果结构，从而有效地检测异常行为并确定系统故障的根本原因。例如，通过装备有AI的AIOps系统，可以有效地进行异常检测和根因分析等工作，极大地提高了工业操作的效率。

此外，时间因果发现作为一种新兴的方法，它直接基于观测数据识别变量之间的时间因果关系，这一技术的应用在近年来受到了极大的关注。它在动态系统中揭示因果依赖关系的潜力被广泛认可。例如，通过利用各种类型的干预数据，一些研究已经在时间因果关系的发现上取得了显著进展。

然而，现有的研究主要集中在合成数据集上，这些数据集严重依赖于干预目标，并忽略了真实世界系统中隐藏的复杂性和细微差别，未能在真实工业场景中进行因果发现。本文通过研究工业场景中的时间因果发现问题，解决了这一难题，提出了一种不依赖于干预目标的时间因果关系发现框架RealTCD，该框架能够利用系统中的文本信息发现时间因果关系。

在这里插入图片描述

论文概览

标题：LLM-Enhanced Causal Discovery in Temporal Domain from Interventional Data

作者：Peiwen Li, Xin Wang, Zeyang Zhang, Yuan Meng, Fang Shen, Yue Li, Jialong Wang, Yang Li, Wenwu Zhu

机构：

Department of Computer Science and Technology, BNRist, Tsinghua University, Beijing, China
Tsinghua-Berkeley Shenzhen Institute, Tsinghua University, Shenzhen, China
Alibaba Cloud, Hangzhou, China

链接：https://arxiv.org/pdf/2404.14786.pdf

研究背景与动机

在现代工业应用中，如信息技术运维（AIOps）领域，因果发现技术扮演着至关重要的角色。它帮助揭示复杂信息系统内部的依赖关系和影响力网络，为异常检测、根因分析等下游工业任务提供了不可或缺的洞察。例如，通过准确识别系统内的因果结构，AIOps系统能有效地检测异常行为并确定系统故障的根本原因，从而提升操作效率和