[论文解读] Axiomatizing Causal Reasoning

Joseph Y. Halpern|ArXiv.org|May 30, 2000

Bayesian Modeling and Causal Inference参考文献 14被引用 39

一句话总结

本文通过结构方程模型对因果推理进行了完整的公理化表征，将 Galles 和 Pearl 的工作扩展至三类日益通用的因果模型：递归理论、唯一解理论和任意理论。研究表明，在最一般的情况下进行推理需要通过引入析取来扩展语言，并为每一类模型建立了可满足性的计算复杂度，证明了递归模型的 NP-完全性，而更广泛类别的模型则具有更高的复杂度。

ABSTRACT

Causal models defined in terms of a collection of equations, as defined by Pearl, are axiomatized here. Axiomatizations are provided for three successively more general classes of causal models: (1) the class of recursive theories (those without feedback), (2) the class of theories where the solutions to the equations are unique, (3) arbitrary theories (where the equations may not have solutions and, if they do, they are not necessarily unique). It is shown that to reason about causality in the most general third class, we must extend the language used by Galles and Pearl. In addition, the complexity of the decision procedures is characterized for all the languages and classes of models considered.

研究动机与目标

• 将 Galles 和 Pearl 的因果推理公理化框架扩展至更一般的结构方程模型类别。
• 确定在解可能不存在或不唯一的情况下，对任意因果模型进行因果推理所需的最小语言扩展。
• 对三种日益通用的模型类别中因果公式的可满足性问题的计算复杂度进行表征。
• 通过澄清命题联结词（尤其是析取）在因果推理中的作用，解决先前完备性证明中的模糊性。

提出的方法

• 为三类模型开发了公理化体系：无反馈的递归模型、具有唯一解的模型，以及无解或唯一性保证的任意模型。
• 将语言扩展至超越 Galles 和 Pearl 框架的范围，引入析取，以满足最一般情况下因果推理的表达需求。
• 通过仅关注相关干预和变量顺序，构建了一种因果模型的紧凑表示形式，进而设计出决策过程。
• 对于递归模型，通过猜测一个因果顺序和相关干预的解向量，然后验证一致性，证明了可满足性属于 NP。
• 该方法利用定理 4.2，将注意力限制在由公式导出的签名 ${\cal S}_{\varphi}$ 上，将变量数量限制在 O(|φ|) 以内。
• 检查所猜测的解与因果顺序的相容性，以确保存在有效的结构方程模型。

实验结果

研究问题

• RQ1 在无反馈回路存在的递归结构方程模型中，需要哪些公理才能完全表征因果推理？
• RQ2 因果逻辑的语言需要如何扩展，才能对解不唯一或不存在的模型进行推理？
• RQ3 在三类模型中，因果公式可满足性问题的计算复杂度分别是多少？
• RQ4 当语言中不包含命题析取时，为何先前的完备性证明会失败？
• RQ5 能否利用因果模型的紧凑表示来设计高效的因果可满足性决策过程？

主要发现

• 本文为递归因果模型提供了完整的公理化体系，通过消除对固定因果顺序的依赖，推广了 Galles 和 Pearl 的结果。
• 对于具有唯一解的模型，提出了一个完整的公理系统，能够捕捉在解唯一性条件下的因果推理。
• 在最一般的情形——任意因果模型中，必须通过引入析取来扩展语言才能实现完备性，因为原始语言不足以表达。
• 证明了递归模型的可满足性问题为 NP-完全，其决策过程基于猜测因果顺序和一致的解向量。
• 对于具有唯一解的模型，决策问题的复杂度被证明属于 PSPACE，反映出更高的表达能力和推理需求。
• 本文表明，语言的选择从根本上影响因果公理的表达能力和完备性，尤其是在非递归或非唯一解的情境下。