💬 NLP

DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data

Dit artikel introduceert DKCD, een nieuw raamwerk dat causale ontdekking uit ongestructureerde gegevens in domeinen met een hoge expertise verbetert door domeinkennis te integreren om de identificatie van latente factoren en de nauwkeurigheid van causale graafconstructie te verbeteren.

Oorspronkelijke auteurs: Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

Gepubliceerd 2026-07-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, chaotische mysteries probeert op te lossen: uitzoeken wat wat veroorzaakt in de echte wereld, zoals waarom sommige mensen diabetes krijgen of waarom anderen ademhalingsproblemen hebben. Normaal gesproken hebben detectives (wetenschappers) nette, georganiseerde clue-kaarten (gestructureerde data) nodig om deze zaken op te lossen. Maar in de echte wereld zijn aanwijzingen vaak verborgen in lange, rommelige paragrafen tekst (ongestructureerde data), zoals de handgeschreven aantekeningen van een arts of het verhaal van een patiënt.

Een tijdje hebben we superintelligente robot-AI's gebruikt, genaamd Large Language Models (LLM's), om deze rommelige verhalen te lezen en de aanwijzingen te raden. Denk aan deze robots als briljante generalisten die een beetje van alles weten. Maar het probleem is dat wanneer het mysterie heel specifiek wordt—zoals diep in het medische veld—deze generalistische robots tegen een muur aanlopen. Ze missen verborgen aanwijzingen die alleen een echte expert zou kennen, en soms raden ze de verkeerde verbanden tussen aanwijzingen omdat ze een gebrek hebben aan die diepe, gespecialiseerde achtergrond.

Het artikel introduceert een nieuw detective-team genaamd DKCD (Domain Knowledge-Enhanced Causal Discovery). In plaats van de robot alleen te laten raden, geeft DKCD de robot een "spiekbriefje" gemaakt van een Domain Knowledge Graph. Stel je deze grafiek voor als een enorme, onderling verbonden kaart van expertfeiten die specifiek zijn voor dat veld (zoals hoe nieren, genen en suikerspiegels allemaal met elkaar verbonden zijn bij diabetes).

Hier is hoe DKCD het mysterie oplost in drie leuke stappen:

De Zoektocht naar Kennis: Eerst leest de robot de rommelige tekst en haalt de overduidelijke aanwijzingen naar boven die hij kan zien (zoals "roken" of "leeftijd"). Vervolgens gebruikt hij de expertkaart om gerelateerde verborgen aanwijzingen te vinden. Het is alsof je een voetstap in de modder vindt en vervolgens een kaart raadpleegt om te beseffen: "Oh, deze voetstap is in de buurt van een rivier, dus misschien was de dader aan het vissen!" Deze stap vindt "latente factoren"—verborgen oorzaken die de robot op eigen kracht gemist zou hebben, zoals "nierziekte" of "genetisch risico", die niet altijd expliciet worden opgeschreven maar wel worden gesuggereerd door andere symptomen.
De Redeneersessie: Vervolgens gebruikt de robot de expertkaart om te begrijpen hoe deze aanwijzingen met elkaar verbonden zijn. Hij gokt niet zomaar; hij redeneert op basis van de kaart. Dit helpt hem om de aanwijzingen nauwkeuriger op te schrijven, waardoor fouten worden vermeden waarbij hij bijvoorbeeld zou denken dat "roken" direct "diabetes" veroorzaakt, terwijl de kaart laat zien dat het eigenlijk complexer is. Deze stap creëert "causale aanwijzingen"—kleine hints die de robot helpen om de data correct te scoren.
De Definitieve Kaart: Ten slotte, met een volledige lijst van aanwijzingen en nauwkeurige scores, gebruikt het team een standaard statistisch hulpmiddel om de definitieve "causale grafiek" te tekenen. Dit is de ultieme kaart die precies laat zien wat wat veroorzaakt.

Wat het artikel vond:
De auteurs hebben DKCD getest op twee verzonnen maar realistische medische datasets: één met 400 patiëntverhalen over diabetes (met betrekking tot 14 verschillende factoren) en een andere over respiratoire problemen (met betrekking tot 8 factoren). Ze hebben DKCD vergeleken met andere methoden, inclusief het populaire "COAT"-framework en robots die gewoon op hun eigen intuïtie gokken.

De resultaten toonden aan dat DKCD aanzienlijk beter was in het vinden van de juiste aanwijzingen en het tekenen van de juiste kaarten. Bijvoorbeeld, op de diabetes-dataset met een top-tier robot (GPT-4o), vond DKCD de juiste factoren in ongeveer 84% van de gevallen (Node Precision), terwijl de vorige beste methode slechts ongeveer 61% haalde. Wanneer het ging om het tekenen van de definitieve kaart van verbindingen, maakte DKCD minder fouten, met een foutscore (ESHD) van 25,33, vergeleken met 30,67 voor de oudere methode. Deze cijfers suggereren dat het toevoegen van de expertkaart de robot echt helpt om het hele plaatje te zien, en niet alleen de voor de hand liggende delen.

Wat het artikel uitsluit:
Het artikel voert expliciet argumenten aan tegen het idee dat een slimme robot alleen genoeg is voor deze hooggespecialiseerde velden. Het laat zien dat robots zonder het externe "spiekbriefje" (de domain knowledge graph) cruciale verborgen factoren missen en onbetrouwbare gokken doen. Het merkt ook op dat het simpelweg hebben van meer data niet de oplossing is; de kwaliteit van de redenering, geleid door expertkennis, is wat er echt toe doet.

Hoe zeker zijn ze?
De auteurs zijn zelfverzekerd over deze resultaten, maar ze zijn voorzichtig in hun bewering dat deze gebaseerd zijn op simulaties en synthetische datasets. Ze hebben deze 400-patiënten-datasets zorgvuldig gecreëerd op basis van echte medische kennis en grondwaarheid-kaarten om hun systeem te testen. Ze hebben dit nog niet getest op echte, levende patiënten in een ziekenhuis. Dus hoewel de cijfers er goed uitzien in deze gecontroleerde tests, suggereert het artikel dat dit een veelbelovende nieuwe richting is in plaats van een opgelost probleem voor de echte wereld. Ze geven toe dat de robots nog steeds soms feiten kunnen verzinnen (hallucineren) of bevooroordeeld kunnen zijn, en dat het bouwen van zelfs grotere, echte testgevallen een taak is voor de toekomst.

Kortom, DKCD is als het geven van een gespecialiseerde veldgids aan een briljante detective. Het vervangt de hersenen van de detective niet, maar het zorgt ervoor dat hij de verborgen aanwijzingen niet mist die alleen een expert zou kennen, wat leidt tot een veel duidelijker beeld van oorzaak en gevolg.

Technische Samenvatting: DKCD – Domeinkennis-versterkte Causale Ontdekking uit Ongestructureerde Data

Probleemdefinitie

Causale ontdekking in domeinen met een hoge expertise (bijv. gezondheidszorg, financiën, onderwijs) staat voor aanzienlijke uitdagingen wanneer het wordt toegepast op ongestructureerde data, zoals klinische tekst. Bestaande methoden, inclusief die gebruikmaken van Large Language Models (LLMs) zoals het COAT-framework, worden beperkt door twee primaire uitdagingen:

Onvoldoende identificatie van latente factoren (CH1): Ongestructureerde data bevatten vaak impliciete causale factoren die niet expliciet worden vermeld, maar essentieel zijn voor een volledige causale graaf. De algemene kennis van LLMs mist de specifieke domeinexpertise die nodig is om deze latente variabelen te af te leiden (bijv. het afleiden van "nierziekte" uit specifieke laboratoriumwaarden in een diabetescontext).
Onbetrouwbare factorannotatie (CH2): Nauwkeurige constructie van causale grafen vereist gestructureerde input (factorwaarden). Zonder domeingegronde redenering produceren LLMs vaak inconsistente of onnauwkeurige annotaties, wat leidt tot fouten die doorwerken in de uiteindelijke causale structuur, zoals ontbrekende randen of onjuiste richtingen.

Huidige algoritmen voor causale ontdekking (bijv. PC, FCI) zijn ontworpen voor gestructureerde tabeldata en hebben moeite met de ruis en onvolledigheid die inherent zijn aan ruwe ongestructureerde tekst.

Methodologie: Het DKCD-framework

De auteurs stellen DKCD (Domain Knowledge-enhanced Causal Discovery) voor, een framework dat domeinkennisgrafen (KGs) integreert met LLM-redenering om de kloof tussen ongestructureerde tekst en statistische causale ontdekking te overbruggen. Het framework werkt via drie onderling verbonden componenten:

1. Kenniswinning (Knowledge Mining)

Deze module bereidt de context voor redenering voor door relevante domeinkennis op te halen.

Voorstel van observeerbare factoren: Een LLM extraheert expliciet genoemde causale factoren ( $V_o$ ) uit de ongestructureerde tekst.
Retrieval van Domein-KG: Op basis van $V_o$ bevraagt het systeem een domeinspecifieke kennisgraaf om relevante subgrafen ( $G_{rel}$ ) op te halen.
Semantische Matching: De opgehaalde triples worden verbaal geformuleerd in natuurlijke taalstellingen. Een semantisch matchingsproces (gebruikmakend van sentence transformers zoals all-MiniLM-L6-v2) stemt deze stellingen af met de observeerbare factoren, waarbij gefilterd wordt op de meest relevante context ( $S^{(k)}_{v_i}$ ) om de daaropvolgende redenering te ondersteunen.

2. Kennisgestuurde Causale Redenering (Knowledge-Guided Causal Reasoning)

Deze kernmodule pakt de twee belangrijke uitdagingen aan door gebruik te maken van de opgehaalde kenniscontext.

Ontdekking van latente factoren: De LLM gebruikt de observeerbare factoren en de opgehaalde kenniscontext om latente causale factoren ( $V_l$ ) af te leiden die niet expliciet worden genoemd, maar wel causaal relevant zijn. De volledige verzameling factoren wordt gedefinieerd als $V = V_o \cup V_l$ . Dit adresseert direct CH1.
Generatie van causale aanwijzingen (Causal Clues): De LLM genereert causale aanwijzingen ( $H$ ), wat domeingegronde beschrijvingen zijn van plausibele afhankelijkheden tussen factoren. Deze aanwijzingen dienen als gestructureerde begeleiding voor de annotatiestap, waardoor ambiguïteit wordt verminderd en de betrouwbaarheid van de factorwaardering wordt verbeterd. Dit adresseert CH2.

3. Causale Structuurontdekking (Causal Structure Discovery)

Met een completere verzameling factoren ( $V$ ) en een gestructureerde scoretabel ( $S$ ) die nauwkeurige annotaties bevatten afgeleid van de causale aanwijzingen, wordt een statistisch algoritme voor causale ontdekking (specifiek het FCI-algoritme) toegepast om de uiteindelijke causale graaf ( $G$ ) af te leiden. Het FCI-algoritme is gekozen vanwege zijn vermogen om met latente confounders om te gaan, wat cruciaat is in gespecialiseerde domeinen waar niet alle factoren volledig geobserveerd kunnen worden.

Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

DKCD Framework: Een nieuw framework dat domeinkennisgrafen integreert met LLM-gebaseerde redenering om causale ontdekking uit ongestructureerde data in domeinen met een hoge expertise te verbeteren.
Kennisgestuurde Redeneringsmodule: Een specifiek ontwerp dat gebruikmaakt van opgehaalde domeinkennis om latente causale factoren te ontdekken en kennisgegronde causale aanwijzingen te genereren, waardoor de nauwkeurigheid van de annotatie wordt verbeterd.
Domeinspecifieke Benchmarks: De constructie van de eerste domeinspecifieke benchmarks die gebruikmaken van real-world kennisgrafen voor evaluatie, specifiek voor de diabetes- en respiratoire domeinen.

Experimentele Resultaten

De auteurs evalueerden DKCD op twee synthetische medische datasets (Diabetes en Respiratoir) bestaande uit elk 400 patiëntconditie-beschrijvingen, met behulp van meerdere LLM-backbones (GPT-4o, Gemini 2.5 Flash, Grok-3, LLaMA 3-70B).

Prestatie-metrieken: De evaluatie omvatte Node Precision/Recall/F1 (voor factoridentificatie) en Adjacency Precision/Recall/F1, plus Extended Structural Hamming Distance (ESHD) (voor de grafstructuur).
Vergelijkende resultaten: DKCD presteerde consequent beter dan de baselines, waaronder Zero-shot LLM, META en COAT.
- Op de Diabetes-dataset behaalde DKCD hogere Node F1-scores (bijv. 0,77 vs. 0,41 voor COAT met GPT-4o) en lagere ESHD-waarden (25,33 vs. 30,67 voor COAT), wat wijst op een nauwere aansluiting bij de grondwaarheid van de causale graaf.
- Op de Respiratoire dataset demonstreerde DKCD vergelijkbaar hoogwaardige factoridentificatie (bijv. 0,74 Node F1 vs. 0,29 voor COAT met GPT-4o) en structurele nauwkeurigheid.
Ablatieonderzoeken: Het verwijderen van ofwel de causale aanwijzingen (w/o CC) of de identificatie van latente factoren (w/o LF) leidde tot een significante verslechtering van de prestaties. Het verwijderen van beide resulteerde in ernstige prestatiedalingen, wat bevestigt dat de twee componenten complementair en essentieel zijn voor het succes van het framework.

Betekenis en Claims

Het artikel claimt dat DKCD zowel de identificatie van causale factoren als de constructie van causale grafen in domeinen met een hoge expertise aanzienlijk verbetert door effectief gebruik te maken van domeinkennisgrafen om LLM-redenering te sturen. De auteurs benadrukken dat hun werk een kritieke beperking van bestaande methoden aanpakt: het onvermogen om impliciete, domeinspecifieke latente factoren te identificeren en de onbetrouwbaarheid van annotaties zonder externe kennisgronding.

De auteurs hanteren een bescheiden houding ten aanzien van beperkingen:

Afhankelijkheid van LLM's: Het framework is nog steeds afhankelijk van de redeneercapaciteiten van LLM's, die gehallucineerde of bevooroordeelde factoren kunnen genereren.
Beschikbaarheid van Benchmarks: Het gebruik van synthetische datasets wordt erkend als een noodzaak vanwege het gebrek aan publieke benchmarks die zowel ongestructureerde tekst als gealigneerde grondwaarheid-causale grafen bevatten.
Schaalbaarheid: Hoewel getest in medische domeinen, blijft de generalisatie naar andere velden (financiën, onderwijs) nog onverkend.

Het werk wordt gepositioneerd als een methodologische vooruitgang voor het construeren van causale grafen uit ongestructureerde data, bedoeld om onderzoekers te assisteren bij het ontdekken van potentiële causale structuren, in plaats van te dienen als vervanging voor professioneel oordeel in gevoelige domeinen.