Une nouvelle étude publiée sur arXiv explore une voie pragmatique pour améliorer la découverte causale à partir de données observationnelles. Le point de départ est connu : l’apprentissage de structure de réseaux bayésiens (BNSL) peine souvent à identifier correctement l’orientation des relations causales, tandis que les grands modèles de langage (LLM) peuvent apporter des connaissances générales utiles, mais parfois peu fiables.
Les auteurs proposent de réunir ces deux sources dans une même représentation, baptisée Probabilistic Dependency Graphs (PDG). Dans ce cadre, chaque lien entre deux variables n’est pas simplement présent ou absent : il est associé à une distribution de probabilité couvrant plusieurs états possibles, notamment orienté, non orienté ou absent. Cette formulation permet ensuite une fusion par moyenne pondérée entre les sorties des méthodes statistiques et celles des LLM.
L’évaluation a été menée sur 26 réseaux de référence, en combinant trois algorithmes de BNSL — FGES, Tabu et PC — avec trois LLM — Gemini, Claude et GPT — sur plusieurs prompts et graines aléatoires. Selon le résumé de l’article, une fusion simple à 50/50 améliore le score F1 par rapport à la meilleure des deux sources prises isolément dans 22 cas sur 26, avec un gain moyen de 0,056 jugé statistiquement significatif (p < 0,001).
L’intérêt de l’approche tient surtout à la complémentarité observée. Le BNSL fournirait un squelette de graphe à fort rappel, avec 80 % contre 60 % pour les LLM, tandis que les LLM seraient plus performants pour orienter correctement les arêtes, avec 96 % contre 77 % pour le BNSL. À ce stade, il s’agit d’un résultat de recherche préliminaire sur arXiv, mais il suggère qu’une modélisation probabiliste explicite de l’incertitude pourrait rendre les systèmes de découverte causale plus robustes et plus précis.