Resumo Técnico: Substratos de Grafos de Eventos Determinísticos como Modelos de Mundo para Raciocínio Contrafactual

Declaração do Problema

Sistemas agentes requerem modelos de mundo capazes de três operações distintas: recuperação fiel de histórico observado, previsão de resultados sob intervenções hipotéticas (contratuais) e inspeção externa do estado interno. Arquiteturas paramétricas atuais (por exemplo, Dreamer-V3, V-JEPA, Agentes Generativos) tipicamente otimizam uma capacidade em detrimento das outras. Modelos de dinâmica latente aprendem distribuições que impedem a reprodução determinística; preditores de vídeo aprendem características sem expor estados consultáveis; e agentes baseados em modelos de linguagem expõem resumos que se desviam sob consultas repetidas e carecem de semântica do exata para intervenções.

O artigo aborda a necessidade de um modelo de mundo que suporte raciocínio contrafactual exato e inspeção sem depender de dinâmicas latentes aprendidas ou aproximações probabilísticas.

Metodologia: Substratos de Grafos de Eventos

Os autores propõem uma classe de modelos de mundo denominados substratos de grafos de eventos. Nesta arquitetura, a memória do agente não é um vetor latente ou um resumo em linguagem, mas um registro de apenas adição de triplos RDF tipados.

Componentes Principais

1. Representação de Estado: O estado em qualquer instante de tempo $t$ é um conjunto finito de triplos tipados ($A_t$) consistentes com um TBox (esquema) específico de domínio. O estado evolui por meio de um registro ordenado ($\mathcal{L}$) de deltas (inserções ou retrações).
2. Reprodução Determinística: O sistema utiliza um interpretador determinístico ($\rho$) para aplicar deltas sequencialmente. O estado em qualquer ponto é recuperável reproduzindo o registro a partir do estado inicial ($A_0$).
3. Semântica de Intervenção: Consultas contrafactuais são respondidas fatiando o registro de eventos em um instante escolhido $t^*$, aplicando uma intervenção estruturada (por exemplo, do(X), Retract, OverrideLocation) e reproduzindo o registro para frente usando as mesmas regras determinísticas.
4. Inspeção: Cada triplo e delta é endereçável. Consultas SPARQL produzem resultados determinísticos, e restrições SHACL podem identificar violações no nível de triplos específicos.

Fundamentação Teórica: Dualidade de Ancestrais

O artigo prova um teorema de dualidade conectando consultas explicativas ("Qual evento causou E?") e consultas contrafactuais ("E ocorreria se X estivesse ausente?").

• Travessia de Ancestrais Causais: Sob suposições de "evento fechado" (todos os eventos dependentes são registrados, não-ancestrais são exógenos e não ocorrem interações emergentes), determinar se um evento $e$ não ocorreria em um mundo contrafactual onde o objeto $X$ está ausente reduz-se a um teste de pertinência na teoria dos grafos: X está no conjunto de ancestrais causais de $e$?
• Algoritmo: Isso é computado via uma única busca em largura (BFS) reversa sobre o grafo de incidência bipartido evento-objeto, restrito a instantes estritamente menores que o evento em questão.
• Interações Emergentes: Os autores introduzem uma heurística ("parceiro-comum-removido") para lidar com casos onde a remoção de um objeto permite novas colisões entre objetos remanescentes que estavam previamente bloqueadas.

Contribuições Principais

1. Definição Formal e Teorema de Dualidade: O artigo formaliza substratos de grafos de eventos e prova que, sob suposições de evento fechado, o raciocínio contrafactual reduz-se a operações padrão de grafos (travessia de ancestrais causais) sobre o registro observado. Isso fornece garantias formais sobre inspeção e consistência de reprodução.
2. Avaliação CLEVRER: Um interpretador CLEVRER-DSL de 1.400 linhas foi implementado sobre um tempo de execução de substrato agnóstico de domínio. Avaliado no conjunto de validação completo do CLEVRER ($n=75.618$ perguntas), o substrato:
   • Supera a linha de base de oráculo simbólico NS-DR por margens significativas em todos os subconjuntos (por exemplo, +20,26 pontos percentuais em explicativo, +17,65 pontos percentuais em contrafactual).
   • Supera a linha de base de atenção paramétrica ALOE em tarefas descritivas e explicativas, mas fica atrás em tarefas preditivas e contrafactuais onde distribuições de dinâmica aprendida fornecem vantagem para interações emergentes.
3. Transferência Transversal de Domínio: A mesma lógica de interpretador foi aplicada a ComPhy (inferência de propriedades físicas), GQA (grafos de cena visual) e bAbI (raciocínio em texto) trocando apenas o TBox (esquema), demonstrando transferência sem componentes aprendidos.
4. Benchmark Twin-EventLog: Um novo benchmark de 500 especificações para avaliar a consistência da memória do agente sob intervenção em um ambiente semelhante a Smallville. O substrato superou o Llama-3.1-8B (solicitado com contexto completo) em 18,80 pontos percentuais na precisão conjunta e um simulador LLM estilo Concordia em 65 pontos percentuais.
5. Comparação Controlada: Quando dado o mesmo registro de eventos como texto em linguagem natural, o Llama-3.1-8B alcançou 51,00% de precisão em perguntas descritivas, enquanto o substrato alcançou 97,99%. Isso isola a execução estruturada como o fator primário para o desempenho, e não a modalidade de entrada ou o conteúdo da informação.

Resumo dos Resultados

• CLEVRER: O substrato domina linhas de base simbólicas e iguala/supera linhas de base paramétricas em tarefas de raciocínio envolvendo registros de eventos fechados. Ele tem desempenho inferior em tarefas que exigem previsão sob distribuições de dinâmica aprendida ou lidar com interações emergentes complexas não capturadas pela heurística.
• Twin-EventLog: O substrato alcança 100% de precisão (por construção) na precisão conjunta, superando significativamente simuladores baseados em LLM que lutam com consistência sob intervenção.
• Ablações: O "sistema de referência por evento" na travessia BFS melhorou a precisão explicativa em 7,58 pontos percentuais sobre uma abordagem de sistema de referência global. A heurística "parceiro-comum-removido" melhorou a precisão contrafactual em 11,84 pontos percentuais.

Significado e Alegações

O artigo alega que a modelagem de mundo contrafactual pode ser implementada via reprodução determinística sobre deltas de eventos tipados em vez de simulação latente aprendida. Esta abordagem oferece:

• Garantias Formais: Semântica do exata e auditabilidade no nível de triplos individuais.
• Agnosticismo de Domínio: Transferência entre domínios (física, visão, texto) trocando o esquema (TBox) sem re-treinamento.
• Regimes Competitivos: A abordagem é competitiva ou superior a modelos paramétricos em regimes de raciocínio de evento fechado e semântica de intervenção exata.
• Limitações: A abordagem fica atrás em previsão de longo horizonte sob dinâmica aprendida e inferência de propriedades ocultas (por exemplo, inferir massa/carga a partir de vídeos de referência) onde o substrato atualmente carece de um módulo de inferência dedicado. Também luta com interações emergentes complexas além do escopo da heurística.

Os autores posicionam este trabalho não como um substituto para toda modelagem de mundo, mas como uma alternativa rigorosa para cenários onde interpretabilidade, contrafactuais exatos e consistência de estado são priorizados sobre o aprendizado de dinâmicas complexas e abertas.