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

Resumo Técnico: Como Regras Representam Conhecimento Causal: Modelagem Causal com Programação Lógica Probabilística

Declaração do Problema
A teoria da causalidade de Judea Pearl, que distingue entre conhecimento observacional e intervencionista, tem sido fundamental na inteligência artificial. No entanto, o framework de Pearl é desenvolvido exclusivamente dentro de redes bayesianas e modelos causais, restringindo-se amplamente a relações causais acíclicas. A transferência desses conceitos para outros formalismos, como a Programação Lógica Probabilística (PLP), corre o risco de interpretação errônea ou inconsistência. Especificamente, as semânticas existentes para frameworks de PLP como ProbLog e LPMLN (Modelos LogLineares) frequentemente falham em satisfazer o princípio da irrelevância causal (a ideia de que efeitos não observados não devem alterar as crenças sobre outras variáveis) e da não interferência (a ideia de que intervenções não devem afetar variáveis fora de seu fluxo causal descendente). Isso leva a resultados contraintuitivos ao raciocinar sobre intervenções em programas cíclicos ou não estratificados.

Metodologia
Os autores unem a abordagem intervencionista de Pearl com os fundamentos filosóficos da causalidade estabelecidos por Eelink et al. [10], que se baseiam em explicações lógicas em vez de sucessão temporal. A metodologia procede da seguinte forma:

1. Alinhamento Teórico: O artigo adota a visão de que as explicações causais são compostas por regras (ex: "fumar causa carregar fósforos") e que o conhecimento científico requer justificativas que respeitem uma ordem causal. Esta ordem é formalizada através dos princípios de Necessidade Natural (causas necessitam de efeitos) e Suficiência Causal (todo efeito tem uma causa), fundamentados em premissas externas (abducíveis).
2. Definição de Semântica Formal: Os autores definem um Sistema Causal $CS := (P, A, \Phi)$, onde $P$ é um programa LPMLN, $A$ é um conjunto de abducíveis e $\Phi$ é um modelo LogLinear sobre $A$.
   • Eles formalizam a Necessidade Natural via o conteúdo de restrição do programa e a Suficiência Causal via o conteúdo explicativo.
   • Eles definem uma intervenção como uma modificação do sistema onde cláusulas com cabeças no conjunto de intervenção são removidas, e fatos que forçam valores específicos são adicionados.
3. Crítica às Semânticas Existentes: Os autores demonstram que a semântica padrão P-log para ProbLog e a semântica padrão para LPMLN não satisfazem a Irrelevância Causal (Formalização 6). Em casos não estratificados ou cíclicos, essas semânticas permitem que as crenças mudem quando efeitos adicionais não observados são considerados, violando o princípio de que intervenções não devem propagar-se "para cima" (upstream) ou para ramos não relacionados.
4. Semântica Causal Proposta: Para resolver isso, os autores propõem uma nova Semântica Causal ($\pi^{causal}_{CS}$) baseada em uma maximização de entropia "gananciosa" (greedy) ao longo da ordem causal.
   • O grafo de dependência é decomposto em Componentes Fortemente Conectados (SCCs).
   • Os SCCs formam um Grafo Acíclico Dirigido (DAG).
   • As probabilidades são computadas condicionando aos componentes pais e maximizando a entropia localmente dentro de cada componente, garantindo que a distribuição resultante se alinhe a uma estrutura de rede bayesiana derivada das dependências causais.

Principais Contribuições

• Semântica Causal Formal para PLP: O artigo transfere a semântica causal formal de Eelink et al. [10] para os frameworks de programação lógica probabilística de ProbLog e LPMLN, acomodando programas estratificados e não estratificados (cíclicos).
• Identificação de Falhas nas Semânticas Padrão: Através dos Exemplos 20–22, os autores mostram que as semânticas padrão P-log e LPMLN violam a irrelevância causal e a não interferência, levando a previsões incorretas de efeitos de intervenção em cenários cíclicos.
• Garantias Teóricas:
  • Teorema 2: Prova que, para programas ProbLog estratificados, a semântica P-log padrão coincide com a semântica causal proposta, satisfazendo assim a irrelevância causal.
  • Teorema 3: Estabelece que a semântica causal proposta é uma generalização consistente da semântica P-log para programas estratificados.
  • Teorema 4: Prova que a semântica causal proposta satisfaz a irrelevância causal para sistemas causais gerais (incluindo cíclicos).
• Implementação: Os autores fornecem uma implementação da semântica proposta usando a suíte de ferramentas PLP-BN. Este sistema conecta programas PLP com Redes Bayesianas, utilizando o solver de modelos estáveis Clingo para computar SCCs e eliminação de fator/variável para inferência.

Resultados

• Consistência com Programas Estratificados: Para programas ProbLog estratificados, a nova semântica produz resultados idênticos à semântica P-log estabelecida, confirmando que a abordagem padrão é sólida para casos acíclicos.
• Correção de Casos Cíclicos: Em casos não estratificados (ex: o exemplo da campainha de "Anna e Kilian"), a semântica padrão produz probabilidades que violam a irrelevância causal (ex: uma intervenção em uma variável descendente altera incorretamente a probabilidade de uma variável ascendente). A semântica causal proposta corrige essas probabilidades, garantindo que as intervenções afetem apenas as variáveis descendentes conforme ditado pela estrutura causal.
• Tratamento de Intervenções: A implementação demonstra que a nova semântica modela corretamente as intervenções ao modificar a estrutura do programa e recomputar as probabilidades com base no DAG causal dos SCCs, evitando o "retrocesso" (backtracking) da influência causal que ocorre nas interpretações padrão de LPMLN/ProbLog.

Significância
O artigo afirma que, ao alinhar a programação lógica probabilística com os fundamentos filosóficos da explicação causal (especificamente o trabalho de Eelink et al. [10] e os princípios de necessidade e suficiência), é possível estender o raciocínio causal de Pearl para formalismos de programação lógica que lidam com ciclos e incerteza. A semântica proposta garante que a representação do conhecimento causal em PLP seja robusta contra interpretações errôneas ao realizar intervenções. Este trabalho fornece um método teoricamente fundamentado para raciocinar sobre cenários de "e se" em programas lógicos que anteriormente eram restritos a redes bayesianas acíclicas, permitindo assim uma modelagem causal mais confiável em domínios que exigem dependências cíclicas.