Resumen: Los lenguajes de programación lógica probabilística (PLP), como ProbLog, apoyan naturalmente el razonamiento bajo incertidumbre, al tiempo que mantienen un marco declarativo e interpretable. Mientras tanto, el razonamiento contrafáctico (es decir, responder preguntas de “qué pasaría si”) es fundamental para garantizar que los sistemas de IA sean sólidos y confiables; sin embargo, integrar esta capacidad en PLP puede ser computacionalmente prohibitivo y su precisión inestable. Este artículo aborda este desafío proponiendo una transformación de programa eficiente para contrafactuales como Programas de Intervención Mundial Único (SWIP) en ProbLog. Al dividir sistemáticamente las cláusulas de ProbLog en componentes observados y fijos relevantes para un contrafactual, creamos un programa transformado que (1) no excede asintóticamente la complejidad computacional de los métodos existentes, y es estrictamente más pequeño en casos comunes, y (2) reduce el razonamiento contrafactual a una inferencia marginal sobre un programa más simple. Probamos formalmente la corrección de nuestro enfoque, que se basa en un conjunto más débil de supuestos de independencia y es consistente con independencias condicionales, mostrando que las probabilidades marginales resultantes coinciden con las distribuciones contrafactuales del modelo causal estructural subyacente en amplios dominios. Nuestro método logra una reducción del 35% en el tiempo de inferencia en comparación con los métodos existentes en experimentos extensos. Este trabajo hace que el razonamiento contrafactual complejo sea más manejable y confiable desde el punto de vista computacional, lo que proporciona un paso crucial hacia el desarrollo de sistemas de IA más robustos y explicables. El código está en esta URL https.
Publicado originalmente en export.arxiv.org el 23 de marzo de 2026.
Ver fuente original
