💬 NLP

DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data

Cet article introduit DKCD, un nouveau cadre qui améliore la découverte causale à partir de données non structurées dans des domaines à haute expertise en intégrant les connaissances métier pour améliorer l'identification des facteurs latents et la précision de la construction du graphe causal.

Auteurs originaux : Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

Publié 2026-07-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

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

Imaginez que vous essayez de résoudre un mystère colossal et désordonné : comprendre ce qui provoque quoi dans le monde réel, comme pourquoi certaines personnes développent un diabète ou pourquoi d'autres ont des problèmes respiratoires. Habituellement, les détectives (les scientifiques) ont besoin de fiches d'indices bien rangées et organisées (données structurées) pour résoudre ces enquêtes. Mais dans le monde réel, les indices sont souvent cachés à l'intérieur de longs paragraphes de texte désordonnés (données non structurées), comme les notes manuscrites d'un médecin ou l'histoire d'un patient.

Pendant un certain temps, nous avons utilisé des robots d'IA super intelligents appelés Grands Modèles de Langage (LLM) pour lire ces histoires désordonnées et deviner les indices. Voyez ces robots comme des généralistes brillants qui savent un peu tout sur tout. Mais il y a un piège : quand le mystère devient très spécifique — comme dans le domaine médical profond — ces robots généralistes se heurtent à un mur. Ils ratent des indices cachés que seul un véritable expert connaîtrait, et parfois ils devinent de mauvaises connexions entre les indices car ils manquent de ce bagage spécialisé et profond.

Le document présente une nouvelle équipe de détectives appelée DKCD (Domain Knowledge-Enhanced Causal Discovery). Au lieu de laisser le robot deviner seul, DKCD lui donne une « feuille de triche » composée d'un Graphe de Connaissances de Domaine. Imaginez ce graphe comme une immense carte interconnectée de faits d'experts spécifiques à ce domaine (comme une carte montrant comment les reins, les gènes et les taux de sucre sont tous liés dans le cas du diabète).

Voici comment DKCD résout le mystère en trois étapes amusantes :

La Chasse aux Connaissances : D'abord, le robot lit le texte désordonné et extrait les indices évidents qu'il peut voir (comme le « tabagisme » ou l'« âge »). Ensuite, il utilise la carte d'expert pour trouver des indices cachés apparentés. C'est comme trouver une empreinte de pas dans la boue, puis vérifier une carte pour réaliser : « Oh, cette empreinte est près d'une rivière, donc peut-être que le coupable était en train de pêcher ! » Cette étape permet de trouver des « facteurs latents » — des causes cachées que le robot aurait manquées seul, comme une « maladie rénale » ou un « risque génétique », qui ne sont pas toujours écrits explicitement mais qui sont suggérés par d'autres symptômes.
La Session de Raisonnement : Ensuite, le robot utilise la carte d'expert pour comprendre comment ces indices se connectent. Il ne se contente pas de deviner ; il raisonne en se basant sur la carte. Cela l'aide à noter les indices plus précisément, évitant ainsi les erreurs où il pourrait penser que le « tabagisme » cause directement le « diabète », alors qu'en réalité, la carte montre que c'est plus complexe. Cette étape crée des « indices causaux » — de petits indices qui guident le robot pour noter correctement les données.
La Carte Finale : Enfin, avec une liste complète d'indices et des scores précis, l'équipe utilise un outil statistique standard pour dessiner la « carte causale » finale. C'est la carte ultime montrant exactement ce qui cause quoi.

Ce que le papier a découvert :
Les auteurs ont testé DKCD sur deux ensembles de données médicales fictifs mais réalistes : l'un concernant 400 récits de patients sur le diabète (impliquant 14 facteurs différents) et un autre sur des problèmes respiratoires (impliquant 8 facteurs). Ils ont comparé DKCD à d'autres méthodes, y compris le framework populaire « COAT » et des robots qui devinent seuls.

Les résultats ont montré que DKCD est nettement meilleur pour trouver les bons indices et dessiner les cartes correctes. Par exemple, sur l'ensemble de données sur le diabète en utilisant un robot de haut niveau (GPT-4o), DKCD a trouvé les bons facteurs environ 84 % du temps (Précision des Nœuds), tandis que la meilleure méthode précédente n'atteignait qu'environ 61 %. Lorsqu'il s'agissait de dessiner la carte finale des connexions, DKDK a commis moins d'erreurs, avec un score d'erreur (ESHD) de 25,33, contre 30,67 pour l'ancienne méthode. Ces chiffres suggèrent que l'ajout de la carte d'expert aide réellement le robot à voir l'ensemble du tableau, et pas seulement les parties évidentes.

Ce que le papier écarte :
Le document argumente explicitement contre l'idée qu'un robot intelligent seul soit suffisant pour ces domaines de haute expertise. Il montre que sans la « feuille de triche » externe (le graphe de connaissances de domaine), les robots manquent des facteurs cachés cruciaux et font des suppositions peu fiables. Il note également que posséder simplement plus de données n'est pas la solution ; c'est la qualité du raisonnement, guidé par la connaissance experte, qui compte.

À quel point sont-ils sûrs ?
Les auteurs sont confiants dans ces résultats, mais ils précisent avec prudence qu'ils sont basés sur des simulations et des ensembles de données synthétiques. Ils ont créé ces ensembles de données de 400 patients avec soin, en se basant sur de réelles connaissances médicales et des cartes de vérité terrain pour tester leur système. Ils ne l'ont pas encore testé sur de vrais patients vivants dans un hôpital. Ainsi, bien que les chiffres soient excellents dans ces tests contrôlés, le papier suggère qu'il s'agit d'une nouvelle direction prometteuse plutôt que d'un problème résolu pour le monde réel. Ils admettent que les robots peuvent encore parfois inventer des faits (halluciner) ou être biaisés, et que la construction de cas de test plus vastes et réels est un travail pour l'avenir.

En bref, DKCD est comme si l'on donnait à un détective brillant un guide de terrain spécialisé. Cela ne remplace pas le cerveau du détective, mais cela garantit qu'il ne passera pas à côté des indices cachés que seul un expert pourrait connaître, menant à une image beaucoup plus claire de la cause et de l'effet.

Résumé Technique : DKCD – Découverte Causale Enrichie par les Connaissances de Domaine à partir de Données Non Structurées

Définition du Problème

La découverte causale dans les domaines à haute expertise (ex. : santé, finance, éducation) fait face à des défis importants lorsqu'elle est appliquée à des données non structurées, telles que le texte clinique. Les méthodes existantes, y compris celles exploitant les Grands Modèles de Langage (LLM) comme le cadre COAT, sont limitées par deux défis primaires :

Identification Insuffisante des Facteurs Latents (CH1) : Les données non structurées contiennent souvent des facteurs causaux implicites qui ne sont pas explicitement mentionnés mais qui sont essentiels pour un graphe causal complet. La connaissance générale des LLM manque de l'expertise de domaine spécifique requise pour inférer ces variables latentes (ex. : inférer une « maladie rénale » à partir de valeurs de laboratoire spécifiques dans un contexte de diabète).
Annotation de Facteurs Peu Fiable (CH2) : La construction d'un graphe causal précis nécessite des entrées structurées (valeurs des facteurs). Sans un raisonnement ancré dans le domaine, les LLM produisent souvent des annotations incohérentes ou inexactes, entraînant des erreurs qui se propagent dans la structure causale finale, comme des liens manquants ou des directions incorrectes.

Les algorithmes de découverte causale actuels (ex. : PC, FCI) sont conçus pour des données tabulaires structurées et peinent avec le bruit et l'incomplétude inhérents au texte brut non structuré.

Méthodologie : Le Cadre DKCD

Les auteurs proposent DKCD (Domain Knowledge-enhanced Causal Discovery), un cadre qui intègre des Graphes de Connaissances (KG) de domaine avec le raisonnement des LLM pour combler le fossé entre le texte non structuré et la découverte causale statistique. Le cadre opère via trois composantes interconnectées :

1. Extraction de Connaissances (Knowledge Mining)

Ce module prépare le contexte pour le raisonnement en extrayant les connaissances de domaine pertinentes.

Proposition de Facteurs Observables : Un LLM extrait les facteurs causaux explicitement mentionnés ( $V_o$ ) à partir du texte non structuré.
Récupération du KG de Domaine : Sur la base de $V_o$ , le système interroge un Graphe de Connaissances spécifique au domaine pour récupérer des sous-graphes pertinents ( $G_{rel}$ ).
Correspondance Sémantique : Les triplets récupérés sont verbalisés en énoncés de langage naturel. Un processus de correspondance sémantique (utilisant des sentence transformers comme all-MiniLM-L6-v2) aligne ces énoncés avec les facteurs observables, filtrant le contexte le plus pertinent ( $S^{(k)}_{v_i}$ ) pour soutenir le raisonnement ultérieur.

2. Raisonnement Causal Guidé par la Connaissance

Ce module central traite les deux défis clés en exploitant le contexte de connaissance récupéré.

Découverte de Facteurs Latents : Le LLM utilise les facteurs observables et le contexte de connaissance récupéré pour inférer des facteurs causaux latents ( $V_l$ ) qui ne sont pas explicitement mentionnés mais qui sont causalement pertinents. L'ensemble complet des facteurs est défini par $V = V_o \cup V_l$ . Cela répond directement à CH1.
Génération d'Indices Causaux : Le LLM génère des indices causaux ( $H$ ), qui sont des descriptions ancrées dans le domaine de dépendances plausibles entre les facteurs. Ces indices servent de guide structuré pour l'étape d'annotation, réduisant l'ambiguïté et améliorant la fiabilité de la notation des facteurs. Cela répond à CH2.

3. Découverte de la Structure Causale

Avec un ensemble de facteurs plus complet ( $V$ ) et une table de notation structurée ( $S$ ) contenant des annotations précises dérivées des indices causaux, un algorithme de découverte causale statistique (spécifiquement l'algorithme FCI) est appliqué pour inférer le graphe causal final ( $G$ ). L'algorithme FCI est choisi pour sa capacité à gérer les facteurs de confusion latents, ce qui est critique dans les domaines spécialisés où tous les facteurs peuvent ne pas être pleinement observés.

Principales Contributions

L'article présente trois contributions principales :

Cadre DKCD : Un nouveau cadre qui intègre les Graphes de Connaissances de domaine avec le raisonnement basé sur les LLM pour améliorer la découverte causale à partir de données non structurées dans des domaines à haute expertise.
Module de Raisonnement Guidé par la Connaissance : Une conception spécifique qui utilise les connaissances de domaine récupérées pour découvrir des facteurs causaux latents et générer des indices causaux ancrés dans la connaissance, améliorant ainsi la précision de l'annotation.
Benchmarks Spécifiques au Domaine : La construction des premiers benchmarks spécifiques au domaine utilisant des graphes de connaissances réels pour l'évaluation, spécifiquement pour les domaines du diabète et de la respiration.

Résultats Expérimentaux

Les auteurs ont évalué DKCD sur deux jeux de données médicaux synthétiques (Diabète et Respiration) contenant chacun 400 descriptions de conditions de patients, en utilisant plusieurs backbones de LLM (GPT-4o, Gemini 2.5 Flash, Grok-3, LLaMA 3-70B).

Métriques de Performance : L'évaluation comprenait la Précision/Rappel/F1 des Nœuds (pour l'identification des facteurs) ainsi que la Précision/Rappel/F1 d'Adjacence, plus la Distance de Hamming Structurelle Étendue (ESHD) (pour la structure du graphe).
Résultats Comparatifs : DKCD a systématiquement surpassé les bases de référence, incluant le Zero-shot LLM, META et COAT.
- Sur le jeu de données Diabète, DKCD a obtenu des scores F1 de Nœuds plus élevés (ex. : 0,77 contre 0,41 pour COAT avec GPT-4o) et des valeurs ESHD plus faibles (25,33 contre 30,67 pour COAT), indiquant un meilleur alignement avec le graphe causal de vérité terrain.
- Sur le jeu de données Respiration, DKCD a de la même manière démontré une identification de facteurs supérieure (ex. : 0,74 F1 de Nœuds contre 0,29 pour COAT avec GPT-4o) et une précision structurelle accrue.
Études d'Ablation : Le retrait soit des indices causaux (w/o CC), soit de l'identification des facteurs latents (w/o LF) a considérablement dégradé la performance. Le retrait des deux a entraîné des chutes de performance sévères, confirmant que les deux composantes sont complémentaires et essentielles au succès du cadre.

Signification et Revendications

L'article affirme que DKCD améliore significativement tant l'identification des facteurs causaux que la construction de graphes causaux dans les domaines de haute expertise en exploitant efficacement les graphes de connaissances de domaine pour guider le raisonnement des LLM. Les auteurs soulignent que leur travail répond à la limitation critique des méthodes existantes : l'incapacité à identifier les facteurs latents implicites et spécifiques au domaine, ainsi que l'imprévisibilité des annotations sans ancrage de connaissance externe.

Les auteurs maintiennent une position modeste concernant les limites :

Dépendance aux LLM : Le cadre dépend toujours des capacités de raisonnement des LLM, qui peuvent générer des facteurs hallucinés ou biaisés.
Disponibilité des Benchmarks : Le recours à des jeux de données synthétiques est reconnu comme une nécessité due à l'absence de benchmarks publics contenant à la fois du texte non structuré et des graphes causaux de vérité terrain alignés.
Scalabilité : Bien que testé dans les domaines médicaux, la généralisation à d'autres champs (finance, éducation) reste peu explorée.

Le travail est positionné comme une avancée méthodologique pour la construction de graphes causaux à partir de données non structurées, destinée à assister les chercheurs dans la découverte de structures causales potentielles plutôt qu'à servir de substitut au jugement professionnel dans des domaines sensibles.