[논문 리뷰] Causal Modeling with Probabilistic Simulation Models

Duligur Ibeling|arXiv (Cornell University)|2018. 07. 30.

Bayesian Modeling and Causal Inference참고 문헌 8인용 수 3

한 줄 요약

이 논문은 확률적 프로그램에 대한 반대로 가정하는 추론을 위한 형식적 의미론을 정의하여 원인적 시뮬레이션 모델을 확률적 환경으로 확장한다. 조건문의 확률에 대해 추론할 수 있는 논리를 도입하고, 공리계의 타당성과 완전성을 증명하며, 확률에 대한 선형 부등식의 만족 가능성 문제의 NP-완전성을 확립한다.

ABSTRACT

Recent authors have proposed analyzing conditional reasoning through a notion of intervention on a simulation program, and have found a sound and complete axiomatization of the logic of conditionals in this setting. Here we extend this setting to the case of probabilistic simulation models. We give a natural definition of probability on formulas of the conditional language, allowing for the expression of counterfactuals, and prove foundational results about this definition. We also find an axiomatization for reasoning about linear inequalities involving probabilities in this setting. We prove soundness, completeness, and NP-completeness of the satisfiability problem for this logic.

연구 동기 및 목표

• 비확률적 원인적 시뮬레이션에 대한 이전 연구를 확장하여, 확률적 시뮬레이션 모델에서의 반대로 가정하는 추론을 형식화하는 것.
• 표준 확률 이론과 일치하는 방식으로 조건문 공식에 대한 확률의 의미론을 정의하는 것.
• 이 설정에서 조건문의 확률을 포함하는 선형 부등식에 대해 추론할 수 있는 논리적 프레임워크를 개발하는 것.
• 유도된 논리의 타당성과 완전성을 증명하고, 그 만족 가능성 문제의 계산 복잡도를 분석하는 것.
• 특히 인지 모델링과 베이지안 논리 프로그래밍을 위해, 확률적 추론을 시뮬레이션 기반 원인 모델에 통합하기 위한 기초를 마련하는 것.

제안 방법

• 모든 기초 계산이 결정적인 방식으로 작동하도록, 무작위 비트 테이프에 액세스할 수 있는 확률적 튜링 기계로 확률적 시뮬레이션 프로그램을 모델링한다.
• 시뮬레이션 모델에 대한 간섭을, 테이프의 특정 칸 값을 반대로 가정하는 값으로 고정시키면서도 프로그램의 실행 흐름을 유지하는 함수로 정의한다.
• 확률적 조건문을 표현할 수 있는 형식 언어 ℒ 을 도입하며, φ 가 조건문일 때 ℙ(φ) ≤ c 와 같은 공식을 포함한다.
• 확률 이론의 공리계(Kolmogorov 공리계)와 일관성을 보여줌으로써, 공식에 대한 확률이 진정된 확률로 해석될 수 있음을 입증한다.
• 프로그램의 브랜치로부터 유도된 확률의 유리수 근사치를 사용하여, 임의의 공식 φ 에 대해 유한하고 다항 크기의 모델 ℳφ,C,D 를 구성한다.
• 만족 가능성 문제를 유리수 계수를 가진 크기가 제한된 선형 부등식 시스템으로 감소시킴으로써, 이 문제의 NP-완전성을 증명한다.

실험 결과

연구 질문

• RQ1 반대로 가정하는 추론은 어떻게 확률적 시뮬레이션 모델로 공식화될 수 있는가?
• RQ2 이 프레임워크에서 조건문의 확률에 대해 추론하기 위한 타당하고 완전한 공리계는 무엇인가?
• RQ3 확률적 조건문에 대한 추론의 계산 복잡도는 비확률적 경우와 비교해 어떻게 되는가?
• RQ4 어떤 시뮬레이션 모델의 부분집합에서는 전통적인 논리 원칙인 신중한 단조성(Cautious Monotonicity)이 성립하는가?
• RQ5 일阶 논리와 개방된 세계 추론은 어떻게 이 시뮬레이션 기반 원인 모델링 프레임워크에 통합될 수 있는가?

주요 결과

• 이 논문은 확률적 시뮬레이션 모델에서 조건문의 확률을 포함하는 선형 부등식에 대해 타당하고 완전한 공리계를 제공한다.
• 이 논리의 만족 가능성 문제의 NP-완전성이 증명되어, 이 프레임워크 내에서 추론의 정확한 복잡도 한계를 확립한다.
• 언어 내 공식에 할당된 확률이 확률 이론의 공리계를 만족함을 입증하여, 그 해석이 진정된 확률로 타당함을 보여준다.
• 임의의 공식 φ 에 대해 다항 크기의 유한 모델 ℳφ,C,D 가 존재함을 보여주어, 이 논리가 효과적으로 표현 가능하고 NP 내에서 결정 가능함을 보장한다.
• 모델의 구성은 프로그램의 브랜치로부터 유도된 확률의 유리수 근사치를 포함하며, 계수의 길이가 O(|φ|³) 이내로 제한된다.
• 질의 조건을 만족하는 실행 경로로 제한함으로써, 이 프레임워크는 인지 모델링에서의 조건부 시뮬레이션 접근과 일치한다.