LLM-er presiserer kausale sammenhenger med 5,6 prosent bedre treffsikkerhet

Nye funn viser at store språkmodeller (LLM-er) betydelig kan forbedre oppdagelsen av kausale sammenhenger i data. Ved å kombinere LLM-enes brede, men ofte upålitelige, kunnskap med tradisjonelle metoder for læring av Bayesianske nettverk, oppnås sikrere resultater. Forskere har utviklet Probabilistic Dependency Graphs (PDG), en metode som samler sannsynlighetsfordelinger for både eksistensen og retningen av kausale bånd. En 50/50 fusjon av kildene forbedret treffsikkerheten (F1-score) med 0,056 i 22 av 26 testnettverk. Mens Bayesianske nettverk fanger mange sammenhenger, er LLM-enes styrke å bestemme riktig retning.