단계별 인과관계 추론: 다중 에이전트 트리 기반 질의 및 적대적 신뢰도 추정 기반의 투명한 인과관계 발견

Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation

인과관계 발견은 "무엇이 무엇을 유발하는가"를 파악하는 것을 목표로 하지만, 기존의 제약 기반 방법(예: PC, FCI)은 오류 전파 문제를 가지고 있으며, 최근의 LLM 기반 인과관계 추론 도구는 종종 투명하지 않고 신뢰도 정보를 제공하지 않는 블랙박스처럼 작동합니다. 본 논문에서는 Tree-Query라는 트리 구조 기반의 다중 전문가 LLM 프레임워크를 소개합니다. Tree-Query는 쌍별 인과관계 발견을 백도어 경로, (비)독립성, 잠재적 교란 변수, 인과 방향에 대한 짧은 일련의 질의로 줄여, 해석 가능한 판단과 함께 안정성 인지 신뢰도 점수를 제공합니다. 본 논문에서는 네 가지 쌍별 관계의 점근적 식별 가능성에 대한 이론적 보장을 제공합니다. Mooij et al. 및 UCI 인과 그래프에서 파생된 데이터 없는 벤치마크에서 Tree-Query는 직접적인 LLM 기반 모델보다 구조적 지표에서 더 나은 성능을 보이며, 다이어트-체중 사례 연구는 교란 변수 선별 및 안정적이고 높은 신뢰도의 인과관계 결론 도출을 보여줍니다. 따라서 Tree-Query는 LLM으로부터 데이터 없는 인과관계 사전 지식을 얻는 원칙적인 방법을 제공하며, 이는 다운스트림의 데이터 기반 인과관계 발견을 보완할 수 있습니다. 코드는 https://anonymous.4open.science/r/Repo-9B3E-4F96 에서 확인할 수 있습니다.

Causal discovery aims to recover ``what causes what'', but classical constraint-based methods (e.g., PC, FCI) suffer from error propagation, and recent LLM-based causal oracles often behave as opaque, confidence-free black boxes. This paper introduces Tree-Query, a tree-structured, multi-expert LLM framework that reduces pairwise causal discovery to a short sequence of queries about backdoor paths, (in)dependence, latent confounding, and causal direction, yielding interpretable judgments with robustness-aware confidence scores. Theoretical guarantees are provided for asymptotic identifiability of four pairwise relations. On data-free benchmarks derived from Mooij et al. and UCI causal graphs, Tree-Query improves structural metrics over direct LLM baselines, and a diet--weight case study illustrates confounder screening and stable, high-confidence causal conclusions. Tree-Query thus offers a principled way to obtain data-free causal priors from LLMs that can complement downstream data-driven causal discovery. Code is available at https://anonymous.4open.science/r/Repo-9B3E-4F96.