Tree-Query: LLM-gestützte Kausalitätsfindung mit transparenter, robuster Analyse

Ein neues Verfahren namens Tree-Query, veröffentlicht auf arXiv (2601.10137v1), nutzt ein mehrschichtiges, mehrexperten-LLM-Framework, um Kausalitätsfragen transparent und zuverlässig zu beantworten. Im Gegensatz zu klassischen constraint‑basierten Methoden wie PC oder FCI, die anfällig für Fehler­propagation sind, und zu aktuellen LLM‑Orakeln, die oft als undurchsichtige, vertrauenslose Black‑Boxen wirken, reduziert Tree‑Query die Suche nach kausalen Beziehungen auf eine kurze Abfolge gezielter Fragen zu Rückwärtspfaden, (Un)Abhängigkeiten, latenten Störfaktoren und kausaler Richtung.

Durch diese strukturierte Fragestellung liefert das System interpretierbare Urteile und robuste, kontextabhängige Vertrauenswerte. Theoretisch garantiert die Methode die asymptotische Identifizierbarkeit von vier grundlegenden Paarbeziehungen. Auf datenfreien Benchmarks, die auf den Arbeiten von Mooij et al. und UCI‑Kausalgraphen basieren, übertrifft Tree‑Query die direkten LLM‑Vergleiche in strukturellen Metriken. Ein Fallbeispiel zum Zusammenhang zwischen Ernährung und Gewicht demonstriert, wie das System potenzielle Störfaktoren erkennt und stabile, hochvertrauenswürdige kausale Schlussfolgerungen liefert.

Tree‑Query bietet damit einen principien­geleiteten Ansatz, um datenfreie kausale Vorannahmen aus LLMs zu extrahieren, die anschließend als Ergänzung zu datengetriebenen Kausalitäts­entdeckungs‑Algorithmen eingesetzt werden können. Der zugehörige Code ist frei verfügbar unter https://anonymous.4open.science/r/Repo-9B3E-4F96.