谷歌：通过提示让LLM从相关性推断因果关系

📖标题：Prompting Strategies for Enabling Large Language Models to Infer Causation from Correlation
🌐来源：arXiv, 2412.13952

🌟摘要

🔸大型语言模型（LLMs）的推理能力正受到越来越多的关注。在这项工作中，我们专注于因果推理，并解决了基于相关性信息建立因果关系的任务，这是一个极具挑战性的问题，几个LLM在这个问题上表现不佳。
🔸我们为这个问题引入了一种提示策略，将原始任务分解为固定的子问题，每个子问题对应于形式因果发现算法（PC算法）的一个步骤。所提出的提示策略PC-SUBQ引导LLM遵循这些算法步骤，一次用一个子问题顺序提示，用前一个问题的答案增强下一个子问题的提示。
🔸我们在现有的因果基准CORR2CAUSE上评估了我们的方法：我们的实验表明，在将PC-SUBQ与基线提示策略进行比较时，五个LLM的性能都有所提高。在修改变量名或改写表达式时，结果对因果查询扰动具有鲁棒性。

🛎️文章简介

🔸研究问题：如何从相关性陈述中推断因果关系？
🔸主要贡献：论文提出了一种名为PC-SUBQ的提示策