MaSCoD：基于结构上下文引导的多智能体候选因果图生成框架

arXiv:2609.19944v1 公告类型：新发布 摘要：大语言模型（LLM）已被应用于因果发现，但候选图的生成很少将"过早遗漏潜在相关因果关系"作为一个明确的设计目标。我们提出 MaSCoD——一个多 Agent 框架，在进行直接边判断之前，先对候选第三变量和局部结构模式进行组织。我们使用 GPT-5.4 作为主要骨干模型、GPT-4o 用于复现，在 Auto-MPG、DWD 和 Sachs 数据集上评估了 MaSCoD。MaSCoD 呈现出一种依赖于数据集和骨干模型的"保留—选择性"特征，而非全面占优。在所有六个"数据集—骨干模型"组合中，Full 策略（在直接边判断之前提供结构假设）相比 No Phase 1 策略（在判断过程中构建结构假设）获得了更高的平均 Recall 和 F1，同时也带来了更高的假阳性率。额外的参考边保留优势仅在 GPT-5.4 的 DWD 数据集和 GPT-4o 的 Sachs 数据集上相对所有基线观察到，而并非在所有设置下一致出现。部分消融实验表明，同时提供两个信息组件并不总是优于仅提供其中一个。对于 GPT-5.4，分阶段分析显示，Full 与 No Phase 1 之间的保留差距在直接边判断后即已存在，而在 Sachs 数据集上，reconciliation 阶段为 Full 引入了额外的参考边损失。这些发现支持将结构预组织作为遗漏控制的明确设计与评估目标，并提示应将上下文构建与其在判断中的利用进行联合评估。