연구진은 LLM 기반 에이전트 시뮬레이션에서 거시적 결과의 미시적 인과 메커니즘을 파악하는 데 어려움을 겪는 문제를 해결하고자 합니다.
CAMO는 LLM 에이전트 시뮬레이션에서 미시 행동에서 거시적 발생으로의 자동 인과 관계 발견 프레임워크로, 시뮬레이션 기록을 기반으로 계산 가능한 요인을 생성하고 간결한 인과 관계 표현을 학습합니다.
CAMO는 계산 가능한 마르코프 경계를 출력하고 최소한의 상위 설명 하위 그래프를 제공하여 해석 가능한 인과 관계 체인과 실행 가능한 개입 레버를 제시합니다.