Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals
基于自适应 LLM 提议的不良妊娠结局因果建模
🧭 LLM 自适应提议的因果发现 ★ 深度解读
The University of Texas at Dallas · Technical University of Darmstadt · Swarthmore College · Indiana University School of Medicine · Hessian Center for AI (hessian.ai)
将 LLM 作为自适应提议分布，按数据评分迭代生成因果图，恢复全部专家边并发现新边
📌 工作参考价值（4 点）
- 在需要 LLM 生成结构化对象（因果图、推荐路径、用户特征关系）时，建议用 Sample-Evaluate-Update 循环替代 one-shot：批量采样候选 → 用业务/数据打分 → 将 top-K 候选作为 in-context examples 喂回 LLM，能显著提升结构正确性和稳定性。
- 可把先验业务规则编码为 forbidden edges/硬约束，在 LLM 生成阶段直接过滤非法候选，避免后续修复成本；这与电商场景中时间顺序、曝光/点击因果限制、类目层级约束非常类似。
- 用 top-K 候选的“共同边/共同项”压缩表示替代全量候选列表，最多可减少 3 倍 prompt token，同时保持接近的性能；适合在线 Agent 或 RAG 里做预算受限的 LLM 探索。
- 结构评分上用决策树局部结构替代 BIC 的 full CPT penalty，更适合高基数离散特征或稀疏观察数据；在推荐系统里做轻量因果图/特征依赖建模时可以复用这一 trick。