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

技术摘要：规则如何表示因果知识：基于概率逻辑编程的因果建模

问题陈述
朱迪亚·珀尔（Judea Pearl）的因果理论区分了观测知识与干预知识，这在人工智能领域具有奠基性意义。然而，珀尔的框架完全是在贝叶斯网络和因果模型内构建的，这使其主要局限于无环因果关系。将这些概念迁移到其他形式化系统（如概率逻辑编程，PLP）时，存在误解或不一致的风险。具体而言，现有针对 ProbLog 和 LPMLN（对数线性模型）等 PLP 框架的语义往往无法满足“因果无关性”（即未观察到的效应不应改变对其他变量的信念）和“非干预性”（即干预不应影响其因果下游之外的变量）原则。在处理循环或非分层程序时，这会导致违反直觉的结果。

方法论
作者将珀尔的干预主义方法与 Eelink 等人 [10] 建立的因果哲学基础联系起来，后者依赖于逻辑解释而非时间先后顺序。其方法论如下：

1. 理论对齐： 本文采用这样一种观点：因果解释是由规则（例如，“吸烟导致携带火柴”）组成的，而科学知识需要遵循因果顺序的证明。这种顺序通过“自然必然性”（原因必然导致结果）和“因果充分性”（每个结果都有其原因）这两个原则进行形式化，并植根于外部前提（可溯因项）。
2. 形式化语义定义： 作者定义了一个因果系统 $CS := (P, A, \Phi)$，其中 $P$ 是一个 LPMLN 程序，$A$ 是可溯因项集合，$\Phi$ 是关于 $A$ 的对数线性模型。
   • 他们通过程序的约束内容来形式化自然必然性，并通过解释内容来形式化因果充分性。
   • 他们将干预定义为对系统的修改：移除头部属于干预集中的子句，并添加强制特定值的实事（facts）。
3. 对现有语义的批判： 作者证明了现有的 P-log 语义（适用于 ProbLog）和 LPMLN 的标准语义并不满足因果无关性（形式化 6）。在非分层或循环的情况下，这些语义允许当考虑额外的未观察效应时改变信念，这违反了干预不应向“上游”传播或传播到无关分支的原则。
4. 提出的因果语义： 为了解决这一问题，作者提出了一种基于沿因果顺序进行“贪婪”熵最大化的新因果语义 ($\pi^{causal}_{CS}$)。
   • 依赖图被分解为强连通分量（SCC）。
   • 这些 SCC 构成一个有向无环图（DAG）。
   • 概率通过对父组件进行条件化，并在每个组件内部最大化熵来计算，从而确保生成的分布与源自因果依赖关系的贝叶斯网络结构保持一致。

核心贡献

• PLP 的形式化因果语义： 本文将 Eelink 等人 [10] 的形式化因果语义迁移到了 ProbLog 和 LPMLN 等概率逻辑编程框架中，能够处理分层和非分层（循环）程序。
• 识别标准语义的缺陷： 通过示例 20–22，作者展示了标准 P-log 和 LPMLN 语义违反了因果无关性和非干预性，导致在循环场景下对干预效应的预测出现错误。
• 理论保证：
  • 定理 2： 证明对于分层 ProbLog 程序，标准 P-log 语义与所提出的因果语义一致，从而满足因果无关性。
  • 定理 3： 确立了所提出的因果语义是 P-log 语义在分层程序下的连贯泛化。
  • 定理 4： 证明了所提出的因果语义对于一般的（包括循环的）因果系统均满足因果无关性。
• 实现： 作者使用 PLP-BN 工具套件实现了所提出的语义。该系统将 PLP 程序与贝叶斯网络连接起来，利用 Clingo 回答集求解器计算 SCC 的稳定模型，并利用因子/变量消除法进行推理。

结果

• 与分层程序的连贯性： 对于分层 ProbLog 程序，新语义产生的结果与已建立的 P-log 语义完全相同，证实了标准方法在无环情况下的正确性。
• 修正循环情况： 在非分层情况（例如“Anna 和 Kilian”门铃示例）中，标准语义产生的概率违反了因果无关性（例如，对下游变量的干预错误地改变了上游变量的概率）。所提出的因果语义修正了这些概率，确保干预仅按照因果结构影响下游变量。
• 干预处理： 实现过程表明，新语义通过修改程序结构并基于 SCC 的因果 DAG 重新计算概率来正确模拟干预，防止了在标准 LPMLN/ProbLog 解释中出现的因果影响“回溯”现象。

意义
本文声称，通过将概率逻辑编程与因果解释的哲学基础（特别是 Eelink 等人 [10] 的工作以及必然性和充分性原则）相对齐，可以将珀尔的因果推理扩展到能够处理循环和不确定性的逻辑程序中。所提出的语义确保了在进行干预时，PLP 中因果知识的表示不会因误解而失效。这项工作提供了一种在处理具有循环依赖的领域时，对“如果……会怎样”这类场景进行理论化推理的方法，而此前这类研究仅限于无环贝叶斯网络。