대규모 언어 모델(LLM)은 다양한 작업에서 강력한 성능을 보이지만, 복잡한 수학적 추론에서는 여전히 어려움을 겪습니다. 이 문제를 해결하기 위해, 본 논문에서는 명시적이고 재사용 가능한 수학적 구조를 LLM에 제공하는 2단계 인과적 프레임워크인 \textbf{CA}usal \textbf{MA}thematician(\textbf{CAMA})을 제안합니다. 학습 단계에서 CAMA는 LLM 사전 지식과 질문-해결 쌍의 말뭉치에 적용된 인과 관계 발견 알고리즘을 결합하여 솔루션 전략의 상위 수준 표현인 \textbf{M}athematical \textbf{C}ausal \textbf{G}raph (\textbf{MCG})를 구축합니다. 결과 MCG는 필수 지식 포인트와 인과적 의존성을 인코딩합니다. 추론 단계에서 CAMA는 새로운 질문이 주어지면 질문 내용과 LLM의 중간 추론 추적을 모두 기반으로 MCG에서 작업 관련 하위 그래프를 동적으로 추출합니다. 이 하위 그래프는 LLM의 추론 과정을 안내하기 위해 LLM에 다시 주입됩니다. 실제 데이터 세트에 대한 실험 결과는 CAMA가 어려운 수학 문제에서 LLM의 성능을 크게 향상시킨다는 것을 보여줍니다.
