यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र अवलोकन संबंधी आंकड़ों से कारणात्मक ग्राफ मॉडल की संरचना को पुनः प्राप्त करने की चुनौती पर विचार करता है, जो वैज्ञानिक परिदृश्यों में कारणात्मक खोज के लिए एक महत्वपूर्ण किन्तु चुनौतीपूर्ण कार्य है। मौजूदा डोमेन-विशिष्ट कारणात्मक खोज विश्वसनीयता बढ़ाने के लिए विशेषज्ञ सत्यापन या पूर्व विश्लेषण पर निर्भर करती है, लेकिन विशेषज्ञ संसाधनों की कमी के कारण सीमित है। यह शोधपत्र बड़े पैमाने के भाषा मॉडल (एलएलएम) की क्षमता को प्रदर्शित करता है जो डेटा-संचालित संरचनात्मक अधिगम का मार्गदर्शन करने वाले स्वायत्त विशेषज्ञों के रूप में कार्य करते हैं। हालाँकि, एलएलएम-आधारित अनुमान की अशुद्धि, एलएलएम को कारणात्मक खोज में एकीकृत करने में बाधा डालती है। इस समस्या के समाधान के लिए, हम एक दोष-सहिष्णु एलएलएम-आधारित कारणात्मक खोज ढाँचे का प्रस्ताव करते हैं। दोष-सहिष्णु तंत्र को तीन पहलुओं को ध्यान में रखकर डिज़ाइन किया गया है: एलएलएम-आधारित अनुमान प्रक्रिया के दौरान, एक सटीकता-केंद्रित संकेत रणनीति कारणात्मक विश्लेषण को एक विश्वसनीय सीमा तक सीमित रखती है। इसके बाद, ज्ञान-से-संरचना स्थानांतरण, एलएलएम से प्राप्त कारणात्मक कथनों को संरचनात्मक कारणात्मक अंतःक्रियाओं के साथ संरेखित करता है। संरचना सीखने की प्रक्रिया के दौरान, एलएलएम से प्राप्त पूर्व सूचना के अनुपालन के साथ डेटा के साथ तालमेल बिठाकर पूर्व अशुद्धि को दूर किया जाता है। आठ वास्तविक-विश्व कारणात्मक संरचनाओं पर मूल्यांकन दर्शाता है कि प्रस्तावित एलएलएम-आधारित दृष्टिकोण डेटा-संचालित कारणात्मक खोज को बेहतर बनाता है और गलत एलएलएम-आधारित पूर्व सूचना के प्रति भी मज़बूत है। कोड https://github.com/tyMadara/LLM-CD पर पाया जा सकता है ।
Takeaways: हम डेटा-संचालित कारणात्मक खोज की सटीकता और दक्षता में सुधार के लिए LLM का उपयोग करते हुए एक दोष-सहिष्णु कारणात्मक खोज ढाँचा प्रस्तावित करते हैं। हम वास्तविक-विश्व डेटासेट का उपयोग करके प्रस्तावित विधि की प्रभावशीलता और सुदृढ़ता की पुष्टि करते हैं।
•
Limitations: प्रस्तावित ढाँचे का प्रदर्शन एलएलएम के प्रदर्शन पर निर्भर करता है, और एलएलएम से गलत निष्कर्षों के कारण त्रुटियाँ हो सकती हैं। विविध डोमेन और जटिल कारणात्मक संरचनाओं में इसके सामान्यीकरण प्रदर्शन को निर्धारित करने के लिए और अधिक शोध की आवश्यकता है। उपयोग किए गए एलएलएम के प्रकार और आकार के आधार पर प्रदर्शन भिन्न हो सकता है।
