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

技術要約：ルールがいかに因果的知識を表現するか：確率論的論理プログラミングによる因果モデリング

問題提起
ジュデア・パールによる因果理論は、観測的知識と介入的知識を区別しており、人工知能の基礎となっている。しかし、パールの枠組みはベイジアンネットワークと因果モデルの中にのみ限定的に構築されており、主に非循環的な因果関係に制約されている。これらの概念を、ProbLogやLPMLN（対数線形モデル）のような確率論的論理プログラミング（PLP）の他の形式に移転させる際、誤解や不整合が生じるリスクがある。具体的には、既存のProbLogやLPMLNのようなPLPフレームワークのセマンティクスは、「因果的無関連性」（観測されない効果が他の変数に関する信念を変化させてはならないという原則）や「非干渉性」（介入がその因果的な下流にある変数以外に影響を与えてはならないという原則）を満たさないことが多い。これにより、循環的または非層化的なプログラムにおいて、直感に反する結果を招いている。

手法
著者らは、パールの介入主義的アプローチを、時間的継起ではなく論理的説明に依拠したEelinkら[10]による因果の哲学的基礎へと橋渡しする。手法は以下の通りである：

1. 理論的整合性： 本論文は、因果的説明はルール（例：「喫煙がマッチを持ち歩く原因となる」）によって構成され、科学的知識には因果的順序を尊重する正当化が必要であるという見解を採用している。この順序は、外部前提（アブダクティブル）に基づいた「自然的必然性」（原因は結果を必然化する）および「因果的充足性」（すべての結果には原因がある）という原理を通じて定式化される。
2. 形式的セマンティクスの定義： 著者らは、因果システム $CS := (P, A, \Phi)$ を定義する。ここで、$P$ はLPMLNプログラム、$A$ はアブダクティブルの集合、$\Phi$ は$A$上の対数線形モデルである。
   • 彼らは、プログラムの制約内容を通じて自然的必然性を、説明内容を通じて因果的充足性を定式化する。
   • 介入を、介入セットに含まれる節を削除し、特定の値を強制する事実を追加することによるシステムの修正として定義する。
3. 既存セマンティクスへの批判： 著者らは、標準的なP-logのセマンティクス（ProbLogおよびLPMLN用）が因果的無関連性（定式化6）を満たさないことを示している。非層化的または循環的なケースにおいて、これらのセマンティクスでは、追加の観測されない効果を考慮することで信念が変化してしまうことがあり、これは介入が「上流」や無関係なブランチに伝播してはならないという原則に違反する。
4. 提案される因果セマンティクス： これを解決するために、著者らは因果順序に沿った「強欲な（greedy）」エントロピー最大化に基づく新しい因果セマンティクス（$\pi^{causal}_{CS}$）を提案する。
   • 依存グラフを強連結成分（SCC）に分解する。
   • SCCは有向非巡回グラフ（DAG）を形成する。
   • 確率は、親コンポーネントで条件付け、各コンポーネント内で局所的にエントロピーを最大化することで計算され、その結果得られる分布は、因果的依存関係から導かれるベイジアンネットワークの構造と一致する。

主な貢献

• PLPのための形式的因果セマンティクス： 本論文は、Eelinkら[10]の因果的説明の哲学的基礎を、層化的および非層化的（循環的）なプログラムの両方を扱えるProbLogおよびLPMLNの確率論的論理プログラミングの枠組みへと移転させる。
• 標準セマンティクスの欠陥の特定： 例20–22を通じて、著者らは標準的なP-logおよびLPMLNのセマンティクスが因果的無関連性と非干渉性に違反し、循環的なシナリオにおいて介入の効果の予測を誤らせることを示す。
• 理論的保証：
  • 定理2： 層的なProbLogプログラムに対して、標準的なP-logセマンティクスが提案された因果セマンティクスと一致し、したがって因果的無関連性を満たすことを証明する。
  • 定理3： 提案された因果セマンティクスが、層的なプログラムに対するP-logセマンティクスの一貫した一般化であることを確立する。
  • 定理4： 提案された因果セマンティクスが、一般的な（循環的なものを含む）因果システムに対して因果的無関連性を満たすことを証明する。
• 実装： 著者らは、PLP-BNツールスイートを用いて提案されたセマンティクスの実装を提供している。このシステムは、PLPプログラムをベイジアンネットワークに接続し、SCCの安定モデルを計算するためのClingo回答集合ソルバーと、推論のための因子・変数消去法を利用する。

結果

• 層的なプログラムとの一貫性： 層的なProbLogプログラムに対して、新しいセマンティクスは確立されたP-logのセマンティクスと同一の結果をもたらし、標準的なアプローチが非循環的なケースにおいて健全であることを確認している。
• 循環的なケースの修正： 非層的なケース（例：「アンナとキリアンのドアベル」の例）において、標準的なセマンティクスは因果的無関連性に違反する確率を生じさせる（例：下流の変数への介入が、上流の変数の確率を誤って変化させる）。提案された因果セマンティクスはこれらの確率を修正し、介入が因果構造によって規定された通り、下流の変数にのみ影響を与えることを保証する。
• 介入の処理： 実装は、プログラム構造を修正し、SCCの因果的DAGに基づいて確率を再計算することで、介入を正しくモデル化できることを示しており、標準的なLPMLN/ProbLogの解釈で発生する因果的影響の「バックトラッキング」を防いでいる。

意義
本論文は、確率論的論理プログラミングを因果的説明の哲学的基礎（特にEelinkら[10]の著作と必然性および充足性の原理）に適合させることで、循環を含む因果関係を扱う論理プログラミング形式へとパールの因果推論を拡張できると主張している。提案されたセマンティクスは、PLPにおける因果的知識の表現が、介入を行う際の誤解に対して堅牢であることを保証する。本研究は、これまで非循環的なベイジアンネットワークに制限されていた、論理プログラムにおける「もし〜ならば」のシナリオに関する推論のための、理論的に裏付けられた手法を提供するものであり、これにより、循環的依存関係を必要とする領域におけるより信頼性の高い因果モデリングを可能にする。