《Journal of Logic and Computation》：Single-world counterfactual reasoning in ProbLog
编辑推荐：
概率逻辑程序设计（probabilistic logic programming, PLP）语言如ProbLog天然支持不确定性下的推理，同时保持声明式和可解释框架。反事实推理（即回答“如果……会怎样”的问题）对于概率逻辑模型中的解释、诊断和因果推理很重要。然
概率逻辑程序设计（probabilistic logic programming, PLP）语言如ProbLog天然支持不确定性下的推理，同时保持声明式和可解释框架。反事实推理（即回答“如果……会怎样”的问题）对于概率逻辑模型中的解释、诊断和因果推理很重要。然而，将这一能力集成到PLP中可能在计算上代价高昂。本文通过为ProbLog中的反事实提出一种作为单世界干预程序（single-world intervention programmes, SWIPs）的高效程序变换来应对这一挑战。通过系统地将ProbLog子句拆分为与反事实相关的观测组件和固定组件，研究人员获得一种变换，其最坏情况渐近构造阶与现有方法相同，但在所述假设下具有严格更小的表示。研究人员形式化证明该方法的正确性；该方法避免由复制孪生网络表示所引入的额外跨世界独立性承诺，并与条件独立性一致，表明在广泛领域类中所得边缘概率与底层结构因果模型（structural causal model, SCM）的反事实分布匹配。在大量实验中，该方法相对于现有方法实现推理时间减少35%。这项工作使复杂反事实推理在计算上更可行、更可靠，为开发更稳健和可解释的人工智能系统提供了关键一步。代码位于 https://github.com/EVIEHub/swip。
研究背景与问题：因果查询中的反事实问题对解释、诊断、信用分配和决策具有关键价值。Pearl的因果之梯区分关联、干预和反事实三个层级；结构因果模型（structural causal model, SCM）以结构方程和外生噪声描述干预下的机制变化。Hopkins and Pearl指出，SCM在现实域中缺乏对实体关系、量化规则和时间结构动作的一阶表达力；概率逻辑程序设计（probabilistic logic programming, PLP）则把可解释的逻辑规则与概率不确定性结合，ProbLog是其代表。但标准ProbLog只有分布语义和贝叶斯条件化，没有原语do算子、干预下替换因果机制的语义，也没有SCM意义上的识别理论。条件化与干预不同，例如固定吸烟为假而不改变生活方式先验时，癌症概率仍可由生活方式路径产生。现有将Pearl孪生网络（Twin Network）适配到ProbLog的方法复制内生部分为事实与反事实副本并共享外生选择，虽可归约为普通概率推理，却引入额外的跨世界独立性承诺；Richardson and Robins的单世界干预图（single-world intervention graph, SWIG）框架强调这类限制许多不能由实验验证，且数量可相对单世界模型双重指数增长；确定性关系下孪生网络的d-分离也不完备；对关系型ProbLog程序，复制还会加重知识编译（knowledge compilation）和推理后端负担。因此需要研究一种保留关系表达、避免复制世界且计算更可行的反事实程序变换。
研究开展、结论与意义：研究人员提出单世界干预程序（single-world intervention programmes, SWIPs），作为SWIG在ProbLog层面的类比。其核心是单世界干预事实变换（SWIFT）算法：直接在程序结构上实施干预，删除定义被干预原子的子句，将保留规则体中的被干预原子替换为固定原子并加入相应确定事实，同时进行结构简化，从而得到单一变换程序；该程序的分布与目标反事实查询匹配。研究证明，对于可在ProbLog中编码且具有唯一支撑模型（unique supported models）并满足忠实编码假设的SCM，SWIPs精确复现其干预与反事实分布；SWIPs具有更紧凑表示；其接地语义与CP-logic（causal probabilistic logic，因果概率逻辑）现有干预语义一致，统一了事件式与单世界方程式的因果解释。实验表明相对孪生网络约减少35%推理时间。该工作使复杂反事实推理更可计算、更可靠，为稳健和可解释人工智能系统提供基础。
关键技术方法（不超过250字）：研究人员采用SWIFT程序变换，删除被干预原子定义子句，扫描保留规则体并将被干预原子替换为固定原子，加入确定事实；随后加入证据事实，用SHARPSAT知识编译器进行边缘推理。理论分析比较SWIP与Twin Network的构造复杂度和编码表示大小，并证明正确性及与LPADs、CP-logic的一致性。实验按Kiesel et al.设置生成随机有向无环图上的ProbLog可达性基准，参数为顶点数n和树宽k，每实例采样至多5条证据和5个干预；在爱丁堡大学计算集群、Python 3.9.21和ProbLog 2.2环境下运行。无样本队列，基准为合成DAG实例。
研究结果（保留小标题）：
1 Introduction：通过因果之梯、两步枪手例子及吸烟—癌症程序说明关系结构和因果语义的必要性，指出ProbLog条件化不能替代干预。
1.1 Our contributions：提出SWIPs，证明其对可编码SCM的反事实/干预分布正确、表示更紧凑，并与CP-logic干预语义一致；称其为ProbLog内首个单世界、SCM忠实且避免跨世界假设的反事实语义。
2 Preliminaries：2.1 Causal models and counterfactuals：定义SCM、干预、反事实、孪生网络、SWIG和d-分离；2.2 ProbLog：给出分布语义、外部/内部原子、唯一支撑模型和边缘推理定义。
3 Challenges of the twin network in ProbLog：分析Twin Network复制内部原子与规则，构造复杂度为Θ(F+R+B)，表示大小为F+2R+2B+O(1)，并引入跨世界独立性和确定性关系下的d-分离不完备问题。
4 Single-world intervention programmes：提出SWIFT；定理4.1给出构造时间Θ(R+B
?X+k)及表示上界F+(R?h
X)+B
?X+k+O(1)；推论4.1.1表明在所述条件下表示严格更小；定理4.2证明SWIP反事实查询正确；定理4.3、4.4证明与LPAD/CP-logic一致；定理4.5说明Twin Network会漏识别而SWIP可暴露的独立性。
5 Experiments：用合成DAG可达性基准比较SWIP与Twin Network的展开树宽、编译和推理时间。
5.1 Results and discussion：SWIP产生更小展开树宽和更紧凑知识编译结构，平均运行时间约为基线65%，即约35%减少，且跨程序规模和查询复杂度稳定。
6 Conclusion：总结SWIG式ProbLog反事实方法，并提出真实场景、DeepProbLog和σ-calculus等未来方向。
讨论总结：讨论部分强调，SWIP的优势来自局部“图手术”，只修改与被干预变量对应的子句而非复制整个逻辑程序，使依赖图更紧凑；展开树宽是ProbLog知识编译成本的主导因素，因此更小展开程序直接降低编译和推理复杂度。实验显示性能差距在不同程序规模和查询复杂度下保持稳定，支持该变换在保持因果语义的同时提高计算效率。
研究结论（翻译）：研究人员提出一种基于SWIG的ProbLog反事实推理方法。通过“固定”受干预节点并将该干预传播到后代规则，研究人员能够将反事实查询归约为标准边缘推理查询。该程序在干预下变换程序并随后纳入证据，已被证明在一致性和模块性假设下产生反事实分布P(?∣do(X:=x),E=e)。与ProbLog现有反事实推理方法相比，它还显著加速推理。未来工作将把该方法应用于真实场景，并在DeepProbLog中建立反事实推理能力；DeepProbLog是ProbLog的扩展，将逻辑规则与神经网络谓词结合，以融合高层逻辑推理与低层亚符号感知。此外，探索σ-calculus这一更一般的do-calculus形式，为不具备唯一支撑模型的程序定义反事实，是一个有前景的研究方向。
