技術要約：DeepSWIP – ニューラル確率論理プログラムのための商（Quotient）-WMC 反事実推論

1. 問題提起

DeepProbLogのようなニューロシンボリック・システムは、ニューラル知覚と確率論理を効果的に組み合わせることで、知覚的な不確実性を扱うことができます。しかし、標準的な推論は**関連的（associational）**なもの（$P(Y|X=x)$ の計算）であり、**因果的（causal）**ではありません。これらは、反事実的なクエリ（例：「証拠 $E=e$ が与えられたとき、$X$ が $x$ であったなら何が起きていたか？」）に直接答えることができず、介入（$do(X=x)$）のための因果的意味論を必要とします。

確率論理プログラミング（PLP）における反事実への既存のアプローチは、多くの場合、事実的世界と反事実的世界で外生的な選択を共有しつつ、プログラム構造を複製する**ツインネットワーク（Twin Networks）に依存しています。これは意味論的には便利ですが、関係的プログラムにおいては計算コストが高く、ニューラル述語に対しても扱いにくいものです。具体的には、ニューラル述語（畳み込みネットワークなど）を、2つの世界ごとに評価すべきか、あるいは共有された外生的不確実性として扱うべきかが不明確です。さらに、構造の複製は介入の単一世界意味論（single-world semantics）**を不明瞭にし、不必要な独立性の仮定を生じさせます。

2. 手法：DeepSWIP

本論文では、SWIP手法（Habib et al., 2026）をDeepProbLogに拡張したフレームワークであるDeepSWIP（Deep Single World Intervention Programs）を導入します。核心となるアイデアは、ニューラル述語を介入前に固定された確率的選択として扱うことで、ニューラル知覚とシンボリックな反事実推論を分離することです。

2.1 ニューラル実体化（Neural Materialization）

固定されたニューラルパラメータ $\eta$ と入力コンテキスト $c$ に対して、ニューラル述語 $nn(m, x, y)$ は一度だけ評価されます。その出力分布は、論理プログラム内で通常の確率的事実（注釈付きの選言）へと「実体化」されます。

• 変換: ニューラルネットワークは凍結され、その出力確率 $p_{k,j}$ は、ニューラル述語をカテゴリカルな選択 $p_{k,1} :: a_k(y_{k,1}); \dots; p_{k,r_k} :: a_k(y_{k,r_k})$ に置き換えます。
• 結果: DeepProbLogプログラムは、すべての不確実性が独立した確率的事実によって表現される、通常のProbLogプログラム（$P_{mat}$）へと変換されます。

2.2 単一世界介入手術（Single-World Intervention Surgery）

実体化された後、プログラムは介入 $do(X=x)$ を処理するためにSWIP変換が行われます。

1. 削除: 介入対象の原子 $X$ を定義するすべてのルールが削除されます。
2. リダイレクション: 以前は $X$ に依存していたダウンストリームのルールが、固定された原子 $X_{fix}(x)$ に依存するように書き換えられます。
3. アサーション: 決定論的な事実 $X_{fix}(x)$ が追加されます。
   このプロセスにより、構造を複製することなく、単一の変換されたプログラム $\Delta_x$ が作成されます。

2.3 商-WMC意味論（Quotient-WMC Semantics）

反事実確率は、単一の変換されたプログラムに対する**重み付きモデル計数（WMC）**を用いて計算されます。反事実条件は、2つのWMC多項式の商として定義されます：
$$Q(p) = P(Y_x = y \mid E = e) = \frac{\Phi^x_{Y,E}(p)}{\Phi^x_E(p)}$$
ここで：

• $\Phi^x_{Y,E}(p) = \text{WMC}(\Delta_x \land Y=y \land E=e; p)$
• $\Phi^x_E(p) = \text{WMC}(\Delta_x \land E=e; p)$
• $p$ は実体化されたニューラル確率を表します。

この代数的な表現は推論タスクを統一し、学習された実体化された関数的因果モデル（FCM）に対する厳密な計算を可能にします。

3. 主な貢献

本論文は主に4つの貢献を行っています：

1. ニューラル実体化: 固定コンテキストのDeepProbLogプログラムを通常のProbLogプログラムに変換する手法を提供し、標準的な因果プログラム変換を可能にします。
2. 正当性定理: プログラムが一意のサポートされたモデルを持つ場合、DeepSWIPが学習された実体化されたFCMに対して厳密であることを証明します。
3. 商-WMC分析: 以下のことを明らかにする理論的分析を行います：
   • 介入クリーニング（Intervention Cleaning）: 介入されたメカニズムに関連するニューラル確率は、反事実クエリにおいてゼロの微分を持ちます（これらは外科的に除去されます）。
   • 較正感度（Calibration Sensitivity）: 反事実における誤差は、分類精度ではなく、ニューラル確率の**較正（calibration）**に依存します。
   • 希薄な証拠による不安定性（Rare-Evidence Instability）: 反事実推定の感度は、証拠の確率（$1/P(E=e)$）に反比例して増大し、希薄な証拠による潜在的な不安定性を引き起こします。
4. 実証的検証: MPI3DおよびSUMO交通シミュレーションを用いた実験により、フレームワークの正当性、速度、および統計的性質を実証します。

4. 実験結果

4.1 MPI3D ビジュアル反事実

• 設定: 形、大きさ、色に関するニューラル述語と、物理的安定性のためのシンボリックなルールを組み合わせた視覚的推論タスク。
• 正当性: DeepSWIPは、12,000件のクエリの**100%**においてDeepTwin構成と一致し、変換の妥当性を検証しました。
• 効率性: DeepSWIPは、Twin Networksが必要とする内生的な複製を回避することで、2.14倍の高速化（3.57 ms/query vs 7.65 ms/query）を達成しました。
• 誤差伝播: 介入のみによって決定されるクエリについてはRMSEがゼロであり（介入クリーニングのデモンストレーション）、非介入の述語に依存するクエリについては小さな値となりました。
• 枝刈り: SWIP変換は、無関係な節を効果的に枝刈りしました（特定のクエリに対してステートメント数を18から5へ削減）。

4.2 SUMO HOV 交通実験

• 設定: センサーノイズと二重機械学習（DML）補正をテストする交通シミュレーション。
• 知見:
  • センサーノイズが増加するにつれて、ニューラルの較正が劣化し、ナイーブなプラグイン反事実推定において重大なバイアスが生じました。
  • AIPW/DML: 知られているランダム化ポリシーを用いた、増強逆確率重み付け（AIPW）推定器は、ニューラルの較正が劣化した状態でも、集団平均および平均処置効果（ATE）の推定値から一次のバイアスをほぼ完全に除去することに成功しました。
  • これは、シンボリック推論は実体化された確率に対して厳密である一方で、それらの確率の統計的推定がエラーの源となることを浮き彫りにしています。

5. 意義と主張

本論文は、DeepSWIPを、明示的な因果構造と学習された確率的メカニズムを持つニューロシンボリック・プログラムのための、精密な反事実推論レイヤーとして位置付けています。

• 理論的洞察: 商-WMCの視点は、なぜ介入クリーニングが機能するのか、なぜ反事実には精度よりも較正が重要なのか、そしてなぜ希薄な証拠が不安定性を引き起こすのかという理由を、統一的に説明します。
• 実用的影響: 反事実推論を単一世界のWMC問題に還元することで、DeepSWIPは、特にニューラル述語を持つプログラムにおいて、Twin Networksに代わる計算効率の高い選択肢を提供します。
• 限界: 著者らは、DeepSWIPの厳密性は、学習された実体化されたFCMに対するものであることを明記しています。ニューラル述理が誤って較正されている場合、シンボリックな反実は真のデータ生成プロセスに対して「正確に間違った」ものになります。本フレームワークは、厳密なシンボリック推論と、ニューラル確率の統計的誤差を分離しています。

結論として、DeepSWIPは、ニューラル知覚と単一世界の因果推論の間の溝を埋めることに成功しており、ニューロシンボリックAIのための堅牢な基礎を提供しています。