📊 statistics

Efficient Causal Graph Discovery Using Large Language Models

Ce papier propose un cadre novateur utilisant les grands modèles de langage pour la découverte complète de graphes causaux via une approche de recherche en largeur (BFS) qui réduit le nombre de requêtes de quadratique à linéaire, intègre les données observationnelles et atteint des performances de pointe sur des graphes réels.

Auteurs originaux : Thomas Jiralerspong, Xiaoyin Chen, Yash More, Vedant Shah, Yoshua Bengio

Publié 2026-04-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Thomas Jiralerspong, Xiaoyin Chen, Yash More, Vedant Shah, Yoshua Bengio

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🕵️‍♂️ Le Problème : Trouver les coupables dans une ville de 200 personnes

Imaginez que vous êtes un détective dans une ville très peuplée. Votre mission est de comprendre qui influence qui. Par exemple : est-ce que "Manger du sucre" cause "Avoir mal au ventre", ou est-ce que "Avoir mal au ventre" vous fait manger du sucre ?

Pour résoudre ce mystère, vous devez dessiner une carte (un "graphe") avec des flèches montrant les liens de cause à effet entre toutes les variables (les habitants de la ville).

Le problème classique :
Jusqu'à présent, les méthodes pour faire cela ressemblaient à une enquête où vous devriez interviewer chaque paire de personnes pour savoir si l'une influence l'autre.

Si vous avez 10 personnes, cela fait 45 interviews.
Si vous avez 200 personnes (comme dans l'étude sur la douleur neuropathique), cela fait plus de 20 000 interviews ! C'est long, coûteux et impossible à faire manuellement. C'est comme essayer de vérifier chaque route possible dans un labyrinthe géant, une par une.

🧠 La Solution : Le "Super-Intelligent" et la Méthode de l'Explorateur

Les auteurs de cette étude ont une idée géniale : utiliser un Grand Modèle de Langage (LLM), comme une intelligence artificielle très cultivée (type GPT-4), qui a lu des millions de livres et de documents. Cette IA possède déjà une énorme quantité de "bon sens" et de connaissances sur le monde.

Au lieu de demander à l'IA : "Est-ce que A cause B ?", puis "Est-ce que A cause C ?", etc., ils lui demandent : "Qui est influencé par A ?" en une seule fois.

Pour organiser cette enquête, ils utilisent une méthode intelligente appelée Recherche en Largeur (BFS), que l'on peut comparer à une expansion de ronds dans l'eau ou à un jeu de l'oie :

Le Départ (Initialisation) : L'IA identifie d'abord les "sources" de la ville. Ce sont les variables qui ne sont causées par personne d'autre (comme le "Soleil" ou "L'âge"). On les met dans une file d'attente.
L'Expansion (Le Tour de File) : On prend la première personne de la file (par exemple, "Le Soleil"). On demande à l'IA : "Qui subit les effets du Soleil ?". L'IA répond : "La peau bronzée, la croissance des plantes, etc.".
La Vérification (Le Gardien du Portail) : Avant d'ajouter ces nouvelles flèches à la carte, on vérifie qu'on ne crée pas de boucle impossible (par exemple, que le Soleil ne cause pas la croissance des plantes qui causent le Soleil). Si tout est logique, on ajoute les nouvelles personnes à la file d'attente pour les explorer à leur tour.

🚀 Pourquoi c'est une révolution ?

Vitesse Éclair : Au lieu de faire des milliers d'interviews (méthode quadratique), l'IA ne visite chaque "personne" qu'une seule fois. C'est comme passer d'une marche lente à un train à grande vitesse. La complexité passe de $O(n^2)$ à $O(n)$ .
Pas besoin de chiffres : La plupart des méthodes traditionnelles ont besoin de tonnes de données chiffrées (des relevés de température, des ventes, etc.) pour calculer des statistiques. Ici, l'IA utilise son savoir interne. C'est comme si un expert humain dessinait la carte de la ville juste en se basant sur sa connaissance du monde, sans avoir besoin de faire des sondages.
Résultats impressionnants : Sur des petits jeux de données, l'IA bat les méthodes statistiques classiques. Mais c'est sur les gros jeux de données (221 variables) que la magie opère : les autres méthodes s'effondrent ou deviennent trop lentes, tandis que l'approche de l'IA continue de fonctionner et donne des résultats raisonnables.

🛠️ Et si on a quand même des données ?

L'équipe a aussi montré qu'on peut donner un petit "coup de pouce" à l'IA. Si on a quelques chiffres réels (par exemple, des corrélations statistiques), on peut les glisser dans la question posée à l'IA. C'est comme donner une carte routière partielle à un conducteur qui connaît déjà très bien la région : il arrive encore plus vite à destination.

🎯 En résumé

Imaginez que vous devez cartographier les relations de cause à effet dans un monde complexe.

L'ancienne méthode : C'est comme essayer de dessiner la carte en marchant pied par pied, en vérifiant chaque chemin possible. C'est épuisant et lent.
La nouvelle méthode (avec l'IA) : C'est comme avoir un guide touristique super-intelligent qui, en marchant seulement une fois à travers chaque quartier, vous dit instantanément quelles rues mènent où, en utilisant son immense connaissance du monde.

C'est plus rapide, plus efficace, et cela ouvre la porte à la compréhension de systèmes très complexes (comme la douleur humaine ou les maladies) que nous ne pouvions pas analyser aussi facilement auparavant.

1. Problématique

La découverte causale vise à identifier les relations de causalité entre différentes variables, aboutissant généralement à un Graphe Acyclique Dirigé (DAG). Les méthodes traditionnelles reposent sur des observations numériques et des optimisations statistiques (comme PC, GES, NOTEARS), ce qui nécessite de grandes quantités de données et des calculs intensifs.

Récemment, les Modèles de Langage (LLM) ont montré une capacité à raisonner sur des relations causales en utilisant uniquement leurs connaissances internes (métadonnées, descriptions des variables). Cependant, les approches précédentes basées sur les LLM souffrent d'un défaut majeur d'évolutivité : elles utilisent une approche par paires (pairwise). Pour $n$ variables, cela nécessite $\binom{n}{2}$ requêtes, soit une complexité de $O(n^2)$ . Cette méthode devient rapidement impraticable pour les graphes de grande taille (ex: 200+ variables), limitant les expériences à de petits graphes.

2. Méthodologie Proposée

Les auteurs proposent un cadre novateur qui combine les LLM avec une recherche en largeur d'abord (BFS - Breadth-First Search) pour découvrir des graphes causaux complets avec une complexité de requêtes de $O(n)$ .

Le processus se déroule en trois étapes itératives :

Initialisation :
- Le LLM reçoit les descriptions de toutes les variables.
- Il est invité à identifier les variables racines (celles qui ne sont causées par aucune autre variable dans le graphe).
- Ces variables sont ajoutées à une file d'attente (queue) pour la BFS.
Expansion :
- Le LLM traite le premier nœud de la file d'attente.
- Il est invité à identifier toutes les variables qui sont causées par ce nœud actuel, en se basant sur la structure du graphe déjà découverte et les descriptions des variables.
- Cela permet de découvrir plusieurs arêtes en une seule requête, contrairement à la méthode par paires.
Insertion et Vérification de Cycles :
- Les arêtes prédites par le LLM sont ajoutées au graphe causal.
- Une vérification stricte est effectuée pour s'assurer que l'ajout d'une arête ne crée pas de cycle (ce qui violerait la contrainte DAG). Si un cycle est détecté (via une recherche en profondeur), l'arête est rejetée.
- Les nouvelles variables connectées sont ajoutées à la file d'attente pour être visitées ultérieurement.

Optimisation avec données observationnelles :
Le cadre permet d'intégrer des statistiques observationnelles (coefficients de corrélation de Pearson) dans les invites (prompts) du LLM. Cela aide le modèle à affiner ses prédictions lorsque ses connaissances internes sont insuffisantes, bien que la méthode fonctionne également sans données numériques.

3. Contributions Clés

Complexité Linéaire : Réduction drastique du nombre de requêtes nécessaires, passant de $O(n^2)$ (méthode par paires) à $O(n)$ grâce à l'approche BFS.
Première méthode LLM pour grands graphes : C'est la première méthode basée sur les LLM capable de traiter des graphes causaux de grande taille (jusqu'à 221 nœuds) de manière pratique.
Garantie DAG : L'algorithme intègre une vérification de cycle explicite pour garantir que le graphe résultant est bien acyclique.
Flexibilité des données : La méthode fonctionne sans données observationnelles (basée uniquement sur le texte/métadonnées) mais peut les intégrer pour améliorer les performances.

4. Résultats Expérimentaux

Les expériences ont été menées sur trois graphes de tailles variées en utilisant GPT-4 :

Asia (8 nœuds, 8 arêtes) : Un petit graphe médical.
Child (20 nœuds, 25 arêtes) : Un graphe de taille moyenne sur les maladies cardiaques congénitales.
Neuropathic Pain (221 nœuds, 770 arêtes) : Un très grand graphe de diagnostics de douleur.

Performances principales :

Graphes Asia et Child : La méthode proposée dépasse les méthodes statistiques traditionnelles (GES, PC, NOTEARS, DAGMA) et la méthode par paires, atteignant des scores F (F-Score) supérieurs (ex: 0,93 sur Asia) et des ratios de distance de Hamming normalisée (NHD Ratio) très faibles. L'ajout de données observationnelles améliore les résultats sur le graphe Child.
Graphes Neuropathic Pain : C'est le résultat le plus significatif. Les méthodes statistiques (GES, PC) et la méthode par paires sont inapplicables en raison de la complexité computationnelle (mémoire ou temps d'exécution infini).
- La méthode proposée est la seule à réussir à traiter ce graphe.
- Elle obtient un score F de 0,35 et un ratio NHD de 0,64, ce qui est considéré comme une performance raisonnable pour un graphe aussi complexe, là où les autres méthodes échouent catastrophiquement (ratio NHD > 0,9, proche du hasard).

5. Signification et Conclusion

Ce travail démontre que les LLM ne sont pas seulement capables de raisonner sur des relations causales, mais qu'ils peuvent le faire de manière efficace et évolutive lorsqu'ils sont couplés à des algorithmes de recherche structurés (BFS).

Efficacité : La réduction de la complexité des requêtes rend la découverte causale accessible pour des domaines avec de nombreuses variables, là où les méthodes statistiques échouent.
Applicabilité : La méthode ne nécessite pas de données numériques massives, ce qui la rend utile dans des domaines où les données sont rares ou où seule l'expertise textuelle est disponible.
Limites : La méthode dépend de la qualité des connaissances du LLM (donc des données d'entraînement) et manque de transparence (boîte noire).

En conclusion, cette approche offre une solution flexible, rapide et performante pour la découverte de graphes causaux, comblant le fossé entre les méthodes purement textuelles et les méthodes statistiques rigides, et ouvrant la voie à l'application de l'IA générative sur des problèmes de causalité à grande échelle.