Buchumschlag

Executable Counterfactuals: Improving LLMs' Causal Reasoning Through Code

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vashishtha, Aniket, Dai, Qirun, Mei, Hongyuan, Sharma, Amit, Tan, Chenhao, Peng, Hao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Realizing LLMs' Causal Potential Requires Science-Grounded, Novel Benchmarks
von: Srivastava, Ashutosh, et al.
Veröffentlicht: (2025)

Teaching Transformers Causal Reasoning through Axiomatic Training
von: Vashishtha, Aniket, et al.
Veröffentlicht: (2024)

Improving Clinical Diagnosis with Counterfactual Multi-Agent Reasoning
von: You, Zhiwen, et al.
Veröffentlicht: (2026)

Causal Reasoning and Large Language Models: Opening a New Frontier for Causality
von: Kıcıman, Emre, et al.
Veröffentlicht: (2023)

The Best Instruction-Tuning Data are Those That Fit
von: Zhang, Dylan, et al.
Veröffentlicht: (2025)

Improving Influence-based Instruction Tuning Data Selection for Balanced Learning of Diverse Capabilities
von: Dai, Qirun, et al.
Veröffentlicht: (2025)

Better Think Thrice: Learning to Reason Causally with Double Counterfactual Consistency
von: Lin, Victoria, et al.
Veröffentlicht: (2026)

CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists
von: Yang, Junlin, et al.
Veröffentlicht: (2026)

Generalization of RLVR Using Causal Reasoning as a Testbed
von: Lu, Brian, et al.
Veröffentlicht: (2025)

CARE-ECG: Causal Agent-based Reasoning for Explainable and Counterfactual ECG Interpretation
von: Khatibi, Elahe, et al.
Veröffentlicht: (2026)

Barriers to Counterfactual Credit Attribution for Autoregressive Models
von: Cohen, Aloni, et al.
Veröffentlicht: (2026)

Hypothesis Generation with Large Language Models
von: Zhou, Yangqiaoyu, et al.
Veröffentlicht: (2024)

Towards Generalizable Reasoning: Group Causal Counterfactual Policy Optimization for LLM Reasoning
von: Wang, Jingyao, et al.
Veröffentlicht: (2026)

Improving Generative Methods for Causal Evaluation via Simulation-Based Inference
von: Amaranath, Pracheta, et al.
Veröffentlicht: (2025)

CaseSumm: A Large-Scale Dataset for Long-Context Summarization from U.S. Supreme Court Opinions
von: Heddaya, Mourad, et al.
Veröffentlicht: (2024)

Code-Guided Reasoning for Small Language Models: Evaluating Executable MCQA Scaffolds
von: Biswas, Prateek, et al.
Veröffentlicht: (2026)

Reasoning Through Execution: Unifying Process and Outcome Rewards for Code Generation
von: Yu, Zhuohao, et al.
Veröffentlicht: (2024)

Can LLMs Reconcile Knowledge Conflicts in Counterfactual Reasoning
von: Yamin, Khurram, et al.
Veröffentlicht: (2025)

Learning Counterfactually Fair Models via Improved Generation with Neural Causal Models
von: Kher, Krishn Vishwas, et al.
Veröffentlicht: (2025)

Self-Execution Simulation Improves Coding Models
von: Maimon, Gallil, et al.
Veröffentlicht: (2026)

Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization
von: Zhou, Hao, et al.
Veröffentlicht: (2024)

Leveraging priors on distribution functions for multi-arm bandits
von: Vashishtha, Sumit, et al.
Veröffentlicht: (2025)

Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning
von: Mohamed, Nazal, et al.
Veröffentlicht: (2026)

DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations
von: Zhu, Jiageng, et al.
Veröffentlicht: (2024)

$\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space
von: Wang, Peihao, et al.
Veröffentlicht: (2026)

Out-of-Distribution Adaptation in Offline RL: Counterfactual Reasoning via Causal Normalizing Flows
von: Cho, Minjae, et al.
Veröffentlicht: (2024)

Where and How to Attack? A Causality-Inspired Recipe for Generating Counterfactual Adversarial Examples
von: Cai, Ruichu, et al.
Veröffentlicht: (2023)

CRUXEval: A Benchmark for Code Reasoning, Understanding and Execution
von: Gu, Alex, et al.
Veröffentlicht: (2024)

Towards Effectively Leveraging Execution Traces for Program Repair with Code LLMs
von: Haque, Mirazul, et al.
Veröffentlicht: (2025)

CARE: Turning LLMs Into Causal Reasoning Expert
von: Dong, Juncheng, et al.
Veröffentlicht: (2025)

Failure Modes of LLMs for Causal Reasoning on Narratives
von: Yamin, Khurram, et al.
Veröffentlicht: (2024)

Causal and Counterfactual Views of Missing Data Models
von: Nabi, Razieh, et al.
Veröffentlicht: (2022)

Understanding Lookahead Dynamics Through Laplace Transform
von: Sanyal, Aniket, et al.
Veröffentlicht: (2025)

$\textbf{PLUM}$: Improving Code LMs with Execution-Guided On-Policy Preference Learning Driven By Synthetic Test Cases
von: Zhang, Dylan, et al.
Veröffentlicht: (2024)

CausalBench: A Comprehensive Benchmark for Causal Learning Capability of LLMs
von: Zhou, Yu, et al.
Veröffentlicht: (2024)

The Story is Not the Science: Execution-Grounded Evaluation of Mechanistic Interpretability Research
von: Bai, Xiaoyan, et al.
Veröffentlicht: (2026)

The Double Life of Code World Models: Provably Unmasking Malicious Behavior Through Execution Traces
von: Sahoo, Subramanyam
Veröffentlicht: (2025)

Towards Verified Code Reasoning by LLMs
von: Sistla, Meghana, et al.
Veröffentlicht: (2025)

Causal Micro-Narratives
von: Heddaya, Mourad, et al.
Veröffentlicht: (2024)

Certifying Counterfactual Bias in LLMs
von: Chaudhary, Isha, et al.
Veröffentlicht: (2024)