[论文解读] Causes and Explanations: A Structural-Model Approach, Part I: Causes

Joseph Y. Halpern, Judea Pearl|ArXiv.org|Nov 7, 2000

Bayesian Modeling and Causal Inference参考文献 32被引用 20

一句话总结

本文提出了一种使用结构方程模型来建模反事实依赖关系的因果实际因果性形式定义，通过引入特定干预下的条件依赖关系，解决了因果理论中长期存在的问题——如双火柴悖论——从而提供了一种精确且上下文敏感的因果性描述，相较于Lewis的反事实依赖理论等先前框架，该方法在处理非递归系统和概率性系统方面表现更优。

ABSTRACT

We propose a new definition of actual cause, using structural equations to model counterfactuals. We show that the definition yields a plausible and elegant account of causation that handles well examples which have caused problems for other definitions and resolves major difficulties in the traditional account.

研究动机与目标

• 解决在传统反事实依赖失效的情境下定义'实际原因'这一长期存在的哲学与实际问题。
• 解决著名的因果悖论（如双火柴例子），这些悖论中标准理论错误地将多个原因识别为因果，或未能识别出真正的因果。
• 开发一种形式化、数学上严谨的实际因果性定义，适用于递归与非递归结构模型。
• 为人工智能应用中的因果解释提供基础，包括诊断、规划与自然语言处理。
• 以一种反映现实世界推理方式的形式化因果性，允许在特定非干扰性条件下存在依赖关系。

提出的方法

• 使用具有外生与内生变量的结构因果模型（SCM）来表示因果关系，并建模干预行为。
• 通过三重条件定义实际因果性：（1）原因与结果在实际世界中均成立；（2）存在一种情境，使得对原因的干预可阻止结果，而通过联合干预可恢复结果；（3）该原因是在此类集合中最小的。
• 引入双模态算子框架：[do] 表示所有解的反事实，⟨do⟩ 表示存在解的反事实，这对非递归模型至关重要。
• 通过相对于完整状态（上下文、取值）评估真值，将定义扩展至非递归模型，允许结构方程存在多个或无解。
• 通过将变量划分为原因、背景与辅助集合，测试干预下的依赖关系。
• 引入'条件依赖'概念——即因果关系仅在特定非干扰性反事实情境下成立——以避免虚假因果归因。

实验结果

研究问题

• RQ1 在结果在实际世界中不反事实依赖于原因的情况下，如何形式化定义实际因果性？
• RQ2 如何解决双火柴悖论，使得尽管后发生的火柴有造成相同结果的潜力，但仅将较早发生的火柴识别为实际原因？
• RQ3 能否开发一种统一的因果性定义，使其在递归与非递归结构模型中均适用？
• RQ4 在预置或过度决定存在的情况下，实际因果性与单纯反事实依赖有何区别？
• RQ5 在不确定或复杂情境下，如何从实际因果性的定义正式生成因果解释？

主要发现

• 在双火柴例子中，该定义正确识别出火柴A为实际原因，即使若火柴A未发生，火柴B本可造成相同结果。
• 通过要求因果依赖关系在非干扰性情境下成立（而非任意可能的干预），该定义避免了虚假因果归因问题。
• 在非递归模型中，通过相对于完整状态（u,v）评估真值，将定义扩展，允许结构方程存在多个或无解。
• 通过确保因果性不源于依赖链，而源于直接、最小且上下文敏感的依赖关系，该定义处理了传递性失效问题。
• 该方法通过识别在不确定性下足以导致结果的最小事件集合，为因果解释提供了正式基础。
• 该定义对模型选择具有鲁棒性：C是否导致E取决于模型结构，这反映了现实世界中关于应包含哪些变量与依赖关系的争论。