How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming

Resumen Técnico: Cómo las reglas representan el conocimiento causal: Modelado causal con programación lógica probabilística

Planteamiento del problema
La teoría de la causalidad de Judea Pearl, que distingue entre el conocimiento observacional e intervencionista, ha sido fundamental en la inteligencia artificial. Sin embargo, el marco de Pearl se desarrolla exclusivamente dentro de redes bayesianas y modelos causales, lo que restringe su aplicación principalmente a relaciones causales acíclicas. Transferir estos conceptos a otros formalismos, como la Programación Lógica Probabilística (PLP), conlleva riesgos de mala interpretación o inconsistencia. Específicamente, las semánticas existentes para los marcos de PLP como ProbLog y LPMLN (Modelos Log-Lineales) a menudo no satisfacen el principio de irrelevancia causal (la idea de que los efectos no observados no deberían alterar las creencias sobre otras variables) y la no interferencia (la idea de que las intervenciones no deberían afectar a variables fuera de su descendencia causal). Esto conduce a resultados contraintuitivos al razonar sobre intervenciones en programas cíclicos o no estratificados.

Metodología
Los autores vinculan el enfoque intervencionista de Pearl con los fundamentos filosóficos de la causalidad establecidos por Eelink et al. [10], los cuales se basan en explicaciones lógicas en lugar de la sucesión temporal. La metodología procede de la siguiente manera:

1. Alineación Teórica: El artículo adopta la visión de que las explicaciones causales se componen de reglas (por ejemplo, "fumar causa llevar cerillas") y que el conocimiento científico requiere justificaciones que respeten un orden causal. Este orden se formaliza mediante los principios de Necesidad Natural (las causas precisan efectos) y Suficiencia Causal (todo efecto tiene una causa), fundamentados en premisas externas (abducibles).
2. Definición de Semántica Formal: Los autores definen un Sistema Causal $CS := (P, A, \Phi)$, donde $P$ es un programa LPMLN, $A$ es un conjunto de abducibles y $\Phi$ es un modelo Log-Lineal sobre $A$.
   • Formalizan la Necesidad Natural a través del contenido de restricción del programa y la Suficiencia Causal a través del contenido explicativo.
   • Definen una intervención como una modificación del sistema donde se eliminan las cláusulas con cabezas en el conjunto de intervención y se añaden hechos que fuerzan valores específicos.
3. Crítica de las Semánticas Existentes: Los autores demuestran que la semántica estándar de P-log para ProbLog y la semántica estándar para LPMLN no satisfacen la Irrelevancia Causal (Formalización 6). En casos no estratificados o cíclicos, estas semánticas permiten que las creencias cambien cuando se consideran efectos adicionales no observados, violando el principio de que las intervenciones no deben propagarse "hacia arriba" o hacia ramas no relacionadas.
4. Semántica Causal Propuesta: Para resolver esto, los autores proponen una nueva Semántica Causal ($\pi^{causal}_{CS}$) basada en una maximización de la entropía de forma "codiciosa" (greedy) a lo largo del orden causal.
   • El grafo de dependencia se descompone en Componentes Fuertemente Conectados (SCC, por sus siglas en inglés).
   • Los SCC forman un Grafo Acíclico Dirigido (DAG).
   • Las probabilidades se computan condicionando a los componentes padres y maximizando la entropía localmente dentro de cada componente, asegurando que la distribución resultante se alinee con una estructura de red bayesiana derivada de las dependencias causales.

Contribuciones Clave

• Semántica Causal Formal para PLP: El artículo transfiere la semántica causal formal de Eelink et al. [10] a los marcos de programación lógica probabilística de ProbLog y LPMLN, permitiendo tanto programas estratificados como no estratificados (cíclicos).
• Identificación de Fallos en las Semánticas Estándar: A través de los Ejemplos 20–22, los autores muestran que las semánticas estándar de P-log y LPMLN violan la irrelevancia causal y la no interferencia, produciendo predicciones incorrectas de los efectos de la intervención en escenarios cíclicos.
• Garantías Teóricas:
  • Teorema 2: Demuestra que para programas ProbLog estratificados, la semántica de P-log estándar coincide con la semántica causal propuesta, satisfaciendo así la irrelevancia causal.
  • Teorema 3: Establece que la semántica causal propuesta es una generalización consistente de la semántica de P-log para programas estratificados.
  • Teorema 4: Demuestra que la semántica causal propuesta satisface la irrelevancia causal para sistemas causales generales (incluyendo los cíclicos).
• Implementación: Los autores proporcionan una implementación de la semántica propuesta utilizando la suite de herramientas PLP-BN. Este sistema conecta programas PLP con Redes Bayesianas, utilizando el resolvedor de modelos estables Clingo para computar los modelos estables de los SCC y la eliminación de factores/variables para la inferencia.

Resultados

• Consistencia con Programas Estratificados: Para programas ProbLog estratificados, la nueva semántica produce resultados idénticos a la semántica de P-log establecida, confirmando que el enfoque estándar es sólido para casos acíclicos.
• Corrección de Casos Cíclicos: En casos no estratificados (por ejemplo, el ejemplo del timbre de Anna y Kilian), la semántica estándar produce probabilidades que violan la irrelevancia causal (por ejemplo, una intervención en una variable descendente altera incorrectamente la probabilidad de una variable ascendente). La semántica causal propuesta corrige estas probabilidades, asegurando que las intervenciones solo afecten a las variables descendentes según lo dictado por la estructura causal.
• Manejo de Intervenciones: La implementación demuestra que la nueva semántica modela correctamente las intervenciones modificando la estructura del programa y recomputando las probabilidades basándose en el DAG causal de los SCC, evitando el "retroceso" (backtracking) de la influencia causal que ocurre en las interpretaciones estándar de LPMLN/ProbLog.

Significancia
El artículo sostiene que, al alinear la programación lógica probabilística con los fundamentos filosóficos de la explicación causal (específicamente el trabajo de Eelink et al. [10] y los principios de necesidad y suficiencia), es posible extender el razonamiento causal de Pearl a formalismos de programación lógica que manejan ciclos e incertidumbre. La semántica propuesta asegura que la representación del conocimiento causal en PLP sea robusta frente a interpretaciones erróneas al realizar intervenciones. Este trabajo proporciona un método teóricamente fundamentado para razonar sobre escenarios de "qué pasaría si" en programas lógicos que anteriormente estaban restringidos a redes bayesianas acíclicas, permitiendo así un modelado causal más fiable en dominios que requieren dependencias cíclicas.