.png){kind=icon}
返回
Using GPT-4 to guide causal machine learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.eswa.2024.126120.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自公开引入以来，ChatGPT产生了前所未有的影响。一些专家赞扬了AI的进步并指出了其潜在风险，而另一些人对大型语言模型（LLMs）的准确性和实用性持批评态度。本文关注LLMs识别因果关系的能力。我们聚焦于成熟的GPT-4（Turbo），并在最严格的条件下评估其性能，即仅基于变量标签推断因果关系，不提供任何其他人类背景信息，以证明仅提供标签信息时能实现的最小有效性水平。我们表明，问卷参与者认为GPT-4生成的图在评估类别中最为准确，其次是领域专家构建的知识图，而因果机器学习（ML）则明显落后。我们利用这些结果强调因果ML的重要局限，其常生成违背常识的因果图，影响对其的信任。然而，我们证明将GPT-4与因果ML结合可克服这一局限，生成的图形结构从真实数据中学习，与领域专家识别的结构更接近，优于仅通过因果ML学习得到的结构。总体而言，我们的发现表明，尽管GPT-4并非专门设计用于因果推理，但它仍可作为因果表示的有价值工具，因为它能改进旨在实现此目标的因果ML算法的因果发现过程。
Keyword:
Bayesian networks
Causal discovery
ChatGPT
Directed acyclic graphs
Knowledge graphs
LLMs
Structure learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
.png){kind=icon}
