Causal-Audit：基于因果图的显式可审计推理框架，让LLM推理更透明
大型语言模型（LLM）在因果推理任务中常依赖隐式语言层面的推理，导致因果假设不透明、推理路径难以验证，尤其在无上下文（context-free）的干预问答场景中表现脆弱。针对这一痛点，研究者提出 Causal-Audit 框架，将因果推理过程显式建模为结构化因果图上的四个模块化阶段，而非隐式的端到端预测。
核心创新：目标感知因果图构建
Causal-Audit 的关键在于 “目标感知因果图构建策略”（target-aware causal graph construction）。传统方法在构建因果图时容易引入无关变量和虚假因果关联，而该策略将目标变量作为图扩展的核心约束，在生成过程中主动抑制与目标无关的变量和噪声关系，从而得到更精确、更简洁的因果图结构。
路径级因果证据聚合机制
仅依赖单条因果链进行推理往往不够鲁棒。Causal-Audit 引入 路径级因果证据聚合机制（path-level causal evidence aggregation），能够同时考虑多条因果路径，并建模路径间相互增强或抵消的效应。例如，当一条路径显示“药物A→血压降低”，另一条显示“药物A→心率升高→血压升高”时，聚合机制会综合评估净效应，而非简单叠加或只取一条路径。这使得模型在面对复杂干预时能做出更稳健的决策。
实验表现与可审计性
在三个基准数据集上的实验表明，Causal-Audit 在干预问答准确率上 持续优于现有的LLM方法，同时提供了可解释、可审计的因果推理轨迹。每个推理步骤都可以回溯到具体的因果图节点和路径，方便人类检验和调试。
行业意义
这项研究对AI安全与可信赖应用具有重要价值。当前LLM在医疗诊断、经济预测、科学发现等高风险场景中应用时，因果推理的透明性直接关系到决策的可信度。Causal-Audit 通过显式因果图结构，使得模型不再是一个“黑箱”，而是能够输出人类可理解的推理链。这为未来LLM在需要严格验证的领域落地铺平了道路。
小结
Causal-Audit 提出了一种新颖的显式因果推理范式，通过目标感知图构建和路径级证据聚合，在提升准确率的同时保证了推理过程的可审计性。该工作已被 ACL 2026 接收，标志着因果推理与LLM结合方向的重要进展。