DeepSWIP: 신경 확률 논리 프로그램에 대한 몫-가중 모델 계수 반사실 추론

DeepSWIP: Quotient-WMC Counterfactuals for Neural Probabilistic Logic Programs

DeepProbLog과 같은 신경 기호 시스템은 신경망 기반 인지 기능을 확률 논리와 결합하지만, 일반적인 추론 방식은 연관적입니다. 반사실 추론은 개입 및 증거에 대한 인과 관계 의미를 추가적으로 요구합니다. 본 연구에서는 DeepProbLog 프로그램에 대한 단일 세계 반사실 의미 체계인 DeepSWIP를 소개합니다. 신경망 기반 구현을 사용하여, 고정된 컨텍스트의 신경망 기반 술어를 일반적인 ProbLog 선택으로 변환하고, 단일 세계 개입 프로그램을 적용하여 가중 모델 계수(WMC)를 통해 단일 변환된 프로그램에서 반사실 값을 계산합니다. 유한한 근본화 및 고유하게 지지되는 모델이라는 가정 하에, DeepSWIP는 학습된 구현된 FCM을 기준으로 정확한 결과를 제공합니다. ProbLog 조건문의 표준 몫-가중 모델 계수 형태는 활성 신경 확률을 식별하고 개입 정제, 보정 민감도 및 희귀 증거 불안정성을 설명합니다. MPI3D 데이터에 대한 실험 결과, DeepTwin 구성과 비교하여 12,000개의 질의에 대해 변환 과정이 예측대로 작동하며, Twin의 내재적인 중복을 피함으로써 2.14배 빠른 추론 속도를 달성했습니다. SUMO HOV 실험에서는 신경망 보정 성능 저하가 플러그인 기반 추정치의 편향을 초래하는 반면, 올바르게 정의된 랜덤화 정책 AIPW 추정기는 모집단 평균 및 ATE 추정치에 대한 대부분의 1차 편향을 제거합니다. 코드: https://github.com/saibib/deep_SWIP

Neurosymbolic systems such as DeepProbLog combine neural perception with probabilistic logic, but standard inference is associational. Counterfactual reasoning additionally requires a causal semantics for interventions and evidence. We introduce DeepSWIP, a single-world counterfactual semantics for DeepProbLog programs. Using neural materialization, we reduce fixed-context neural predicates to ordinary ProbLog choices, apply Single World Intervention Programs (SWIPs), and compute counterfactuals by weighted model counting (WMC) over a single transformed program. Under finite grounding and unique-supported-model assumptions, DeepSWIP is exact relative to the learned materialized FCM. The standard quotient-WMC form of ProbLog conditionals identifies active neural probabilities and explains intervention cleaning, calibration sensitivity, and rare-evidence instability. Experiments on MPI3D confirm the transformation against a DeepTwin construction against 12,000 queries, as predicted and a 2.14$\times$ inference speedup from avoiding the Twin's endogenous duplication. A SUMO HOV experiment shows that neural calibration degradation biases plug-in estimates, while a correctly scoped randomized-policy AIPW estimator removes most first-order bias for population mean and ATE estimands. Code is at https://github.com/saibib/deep_SWIP.