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

Sintesi Tecnica: Come le Regole Rappresentano la Conoscenza Causale: Modellazione Causale con la Programmazione Logica Probabilistica

Problema
La teoria della causalità di Judea Pearl, che distingue tra conoscenza osservativa e interventiva, è stata fondamentale nell'intelligenza artificiale. Tuttavia, il framework di Pearl è sviluppato esclusivamente all'interno di reti bayesiane e modelli causali, limitandosi ampiamente a relazioni causali acicliche. Trasferire questi concetti ad altri formalismi, come la Programmazione Logica Probabilistica (PLP), rischia di portare a interpretazioni errate o incongruenze. Nello specifico, le semantiche esistenti per i framework PLP come ProbLog e LPMLN (Modelli Log-Lineari) spesso non soddisfano il principio di irrelevanza causale (l'idea che gli effetti non osservati non debbano alterare le credenze su altre variabili) e di non-interferenza (l'idea che gli interventi non debbano influenzare variabili al di fuori del loro downstream causale). Ciò porta a risultati controintuitivi quando si ragiona su interventi in programmi ciclici o non stratificati.

Metodologia
Gli autori collegano l'approccio interventista di Pearl con le fondamenta filosofiche della causalità stabilite da Eelink et al. [10], che si basano su spiegazioni logiche piuttosto che sulla successione temporale. La metodologia procede come segue:

1. Allineamento Teorico: Il documento adotta la visione secondo cui le spiegazioni causali sono composte da regole (ad esempio, "fumare causa il portare fiammiferi") e che la conoscenza scientifica richiede giustificazioni che rispettino un ordine causale. Questo ordine è formalizzato attraverso i principi di Necessità Naturale (le cause necessitano di effetti) e Sufficienza Causale (ogni effetto ha una causa), radicati in premesse esterne (abducibili).
2. Definizione della Semantica Formale: Gli autori definiscono un Sistema Causale $CS := (P, A, \Phi)$, dove $P$ è un programma LPMLN, $A$ è un insieme di abducibili e $\Phi$ è un modello Log-Lineare su $A$.
   • Formalizzano la Necessità Naturale tramite il contenuto dei vincoli del programma e la Sufficienza Causale tramite il contenuto esplicativo.
   • Definiscono un intervento come una modifica del sistema in cui le clausole con teste nel set di intervento vengono rimosse e vengono aggiunti fatti che impongono valori specifici.
3. Critica delle Sematiche Esistenti: Gli autori dimostrano che la semantica standard P-log per ProbLog e la semantica standard per LPMLN non soddisfano l'Irrelevanza Causale (Formalizzazione 6). Nei casi non stratificati o ciclici, queste sematiche permettono alle credenze di cambiare quando vengono considerati ulteriori effetti non osservati, violando il principio per cui gli interventi non dovrebbero propagarsi "a monte" o verso rami non correlati.
4. Semantica Causale Proposta: Per risolvere questo problema, gli autori propongono una nuova Semantica Causale ($\pi^{causal}_{CS}$) basata su una massimizzazione "greedy" dell'entropia lungo l'ordine causale.
   • Il grafo di dipendenza viene decomposto in Componenti Fortemente Connesse (SCC).
     la SCC formano un Grafo Aciclico Diretto (DAG).
   • Le probabilità sono calcolate condizionando sui componenti genitori e massimizzando l'entropia localmente all'interno di ogni componente, garantendo che la distribuzione risultante sia allineata con una struttura di rete bayesiana derivata dalle dipendenze causali.

Contributi Chiave

• Semantica Causale Formale per la PLP: Il documento trasferisce la semantica causale formale di Eelink et al. [10] ai framework di programmazione logica probabilistica ProbLog e LPMLN, accogliendo sia programmi stratificati che non stratificati (ciclici).
• Identificazione dei Difetti nelle Sematiche Standard: Attraverso gli Esempi 20–22, gli autori mostrano come le sematiche standard P-log e LPMLN violino l'irrelevanza causale e la non-interferenza, portando a previsioni errate degli effetti degli interventi in scenari ciclici.
• Garanzie Teoriche:
  • Teorema 2: Dimostra che per i programmi ProbLog stratificati, la semantica standard P-log coincide con la semantica causale proposta, soddisfacendo così l'irrelevanza causale.
  • Teorema 3: Stabilisce che la semantica causale proposta è una generalizzazione coerente della semantica P-log per i programmi stratificati.
  • Teorema 4: Dimostra che la semantica causale proposta soddisfa l'irrelevanza causale per sistemi causali generali (inclusi quelli ciclici).
• Implementazione: Gli autori forniscono un'implementazione della semantica proposta utilizzando la suite di strumenti PLP-BN. Questo sistema collega i programmi PLP con le Reti Bayesiane, utilizzando il solver di modelli stabili Clingo per il calcolo delle SCC e l'eliminazione di fattori/variabili per l'inferenza.

Risultati

• Coerenza con i Programmi Stratificati: Per i programmi ProbLog stratificati, la nuova semantica produce risultati identici alla semantica P-log stabilita, confermando che l'approccio standard è corretto per i casi aciclici.
• Correzione dei Casi Ciclici: Nei casi non stratificati (ad esempio, l'esempio del campanello di "Anna e Kilian"), la semantica standard produce probabilità che violano l'irrelevanza causale (ad esempio, un intervento su una variabile a valle che altera erroneamente la probabilità di una variabile a monte). La semantica causale proposta corregge queste probabilità, assicurando che gli interventi influenzino solo le variabili a valle come dettato dalla struttura causale.
• Gestione degli Interventi: L'implementazione dimostra che la nuova semantica modella correttamente gli interventi modificando la struttura del programma e ricalcolando le probabilità in base al DAG causale delle SCC, impedendo il "backtracking" dell'influenza causale che si verifica nelle interpretazioni standard di LPMLN/ProbLog.

Significato
Il documento sostiene che, allineando la programmazione logica probabilistica con le fondamenta filosofiche della spiegazione causale (specificamente il lavoro di Eelink et al. [10] e i principi di necessità e sufficienza), è possibile estendere il ragionamento causale di Pearl ai formalismi di programmazione logica che gestiscono cicli e incertezza. La semantica proposta assicura che la rappresentazione della conoscenza causale nella PLP sia robusta contro le interpretazioni errate durante l'esecuzione di interventi. Questo lavoro fornisce un metodo teoricamente fondato per ragionare su scenari "what if" in programmi logici, precedentemente limitato alle reti bayesiane acicliche, abilitando così una modellazione causale più affidabile in domini che richiedono dipendenze cicliche.